Машинное обучение: различия между версиями

'''Машинное обучение''' ({{lang-en|machine learning}}, ML) — класс методов [[Искусственный интеллект|искусственного интеллекта]], характерной чертой которых является не прямое решение задачи, а обучение вза процессесчёт применения решений множества сходных задач. Для построения таких методов используются средства [[математическая статистика|математической статистики]], [[Численные методы|численных методов]], [[Математический анализ|математического анализа]], [[Оптимизация (математика)|методов оптимизации]], [[Теория вероятностей|теории вероятностей]], [[Теория графов|теории графов]], различные техники работы с [[Данные (вычислительная техника)|данными в цифровой форме]].

Раздел машинного обучения, с одной стороны, образовался в результате разделения науки о [[Искусственная нейронная сеть|нейросетях]] на методы обучения сетей и виды топологий их архитектуры, с другой стороны — вобрал в себя методы математической статистики. Указанные ниже способы машинного обучения исходятоснованы из случаяна использованияприменении нейросетей, хотя существуют и другие методы, использующиеоснованные понятиена обучающей выборкивыборке — например, дискриминантный анализ, оперирующий обобщённой дисперсией и ковариацией наблюдаемой статистики, или байесовские классификаторы. Базовые виды нейросетей, такие как [[перцептрон]] и [[многослойный перцептрон Розенблатта|многослойный перцептрон]] (а также их модификации), могут обучаться как с учителем, так и без учителя, с подкреплением и самоорганизацией. Но некоторые нейросети и большинство статистических методов можно отнести только к одному из способов обучения. Поэтому, если нужно классифицировать методы машинного обучения в зависимости от способа обучения, то будет некорректным относить нейросети к определенному виду, правильнее было бы типизировать алгоритмы обучения нейронных сетей.