Uczenie maszynowe – definicja

Najbardziej aktualną definicję Machine Learning przedstawił w 1991r. Donald Michie: „System uczący się wykorzystuje zewnętrzne dane empiryczne w celu tworzenia i aktualizacji podstaw dla udoskonalonego działania na podobnych danych w przyszłości oraz wyrażania tych podstaw w zrozumiałej i symbolicznej postaci”. W prostych słowach oznacza to, że algorytmy uczenia maszynowego przetwarzają dane, uczą się z nich, a przy podejmowaniu decyzji stosują zdobytą nową wiedzę.

Zastosowanie uczenia maszynowego przy analizie danych, w większości przypadków ma zapewniać zwiększenie: efektywności, wydajności, bezawaryjności oraz redukcji kosztów. Jednak kiedy i do czego należy stosować metody ML? Czy zawsze dadzą one wymierne korzyści? Uczenie maszynowe będzie dawało lepsze rezultaty niż klasyczne rozwiązania, wtedy gdy nie można zaprogramować reguł, które będą dobrze działały lub gdy skala problemu jest zbyt duża, by manualnie go rozwiązać. Wszędzie tam, gdzie reguły określające klasyfikację danych w pewnym stopniu nakładają się lub danych jest tak dużo, że nie wiadomo do jakiej grupy je przypisać machine learning będzie lepszym rozwiązaniem. Z kolei, jeśli danych będzie niestarczająco lub będą kiepskiej jakości to wytrenowanie algorytmów ML może być niemożliwe lub trwać zbyt długo. Należy pamiętać, że systemy Machine Learning, tak samo jak Big Data nie naprawiają danych. Muszą mieć dostarczone duże ilości informacji w dobrej jakości w celu zapewniania efektywnego działania.

Rozwinięciem machine learning jest deep learning, czyli uczenie maszynowe oparte na sieciach neuronowych. Pozwala to na wykorzystanie dużo większej mocy obliczeniowej do klasyfikacji i podejmowania decyzji.