22 lines
3.0 KiB
Markdown
22 lines
3.0 KiB
Markdown
> Машинное обучение — это научная дисциплина, которая наделяет компьютеры способностью учиться, не будучи явно запрограммированными.
|
||
> — Артур Самуэль, 1959 год
|
||
|
||
> Говорят, что компьютерная программа обучается на основе опыта `E` по отношению к некоторой задаче `T` и некоторой оценке эффективности `P`, если ее эффективность на `T`, измеренная посредством `P`, улучшается благодаря опыту `E`.
|
||
> — Том Митчелл, 1997 год
|
||
|
||
Примеры, которые система использует для обучения называются [[Машинное обучение. Training set|обучающим набором (training set).]] Каждый обучающий пример называется [[Машинное обучение. Training set#^3c7795|обучающим образцом (training instance или training sample)]].
|
||
|
||
>[!Пример]
|
||
>Возьмём как пример фильтр спама, который способен научиться отличать спам–сообщения на заданных примерах. В этом случае, задача `T` — это фильтрация спама, опыт `E` — это [[Машинное обучение. Training set|обучающие данные (training data)]]. Однако, оценка эффективности `P` нуждается в определении. Коэффициент корректно классифицированных почтовых сообщений называется *точностью* (**accuracy**) и частно используется в задачах [[Машинное обучение. Классификация|классификации]]
|
||
|
||
Жерон в [[О. Жерон. Прикладное машинное обучение с помощью Scikit-Learng, Keras и TenserFlow|книге]] даётся следующее определение машинному обучению:
|
||
|
||
> Машинное обучение представляет собой науку (и искусство) программирования компьютеров для того, чтобы они могли *обучаться на основе данных*.
|
||
|
||
Но, я бы дал ещё, более *философское* определение:
|
||
|
||
> **Машинное обучение — это способ выявлять сложно(или невозможно)-описываемых закономерностей для вероятностного предсказания резлультатов.**
|
||
|
||
![[Машинное обучение. Сценарии применения]]
|
||
|
||
![[Машинное обучение. Классификации систем машинного обучения]] |