Англо-русский толковый словарь по искусственному интеллекту и робототехнике

2. обучение машин, машинное обучение, МО # общая цель машинного обучения – разработка программ, которые могут учиться на основе данных и делать прогнозы на основе результатов этого обучения. Одно из самостоятельных центральных направлений ИИ. Машинное обучение по своей природе является междисциплинарной областью, оно обобщает результаты и идеи, связанные с нейросетевыми вычислениями, эволюционными и генетическими алгоритмами, нечёткими множествами и др. Прикладное машинное обучение совмещает в себе математические методы и эмпирические приёмы, оно тесно связано со статистикой и интеллектуальным анализом данных (data mining). По определению Тома Митчелла (Tom Mitchell), компьютерная программа обучается, если её производительность при выполнении определённой задачи, выраженная в измеряемых единицах, увеличивается по мере накопления опыта. При этом все алгоритмы обучаются на тестовых примерах и умеют применять полученный опыт к новым, ранее не встречавшимся случаям, то есть способны к обобщению. Термин в 1959 г. ввёл американский учёный Артур Самуэль (Arthur Samuel, 5 декабря 1901 – 29 июля 1990), который был пионером в области компьютерных игр, искусственного интеллекта и машинного обучения, в следующей формулировке: “Машинное обучение – это область исследований, цель которых заключается в том, чтобы дать компьютерам возможность обучаться, не будучи явно запрограммированными”. Различают три вида алгоритмов обучения машин – а) контролируемое обучение, обучение с учителем (supervised learning), при котором наборы данных (data set) маркируются, размечаются таким образом, чтобы можно было выявлять паттерны для использования при разметке новых наборов данных; б) неконтролируемое обучение, обучение без учителя (

unsupervised learning), при котором наборы данных не размечаются, а сортируются с учётом их сходств или различий; и в) стимулированное обучение, обучение с подкрплением (reinforcement learning), при котором наборы данных не размечаются, но после выполнения некоторого действия или нескольких действий система ИИ получает соответствующую обратную связь. Само обучение состоит из двух больших этапов: на первом (этапе обучения) – по обучающей выборке строится предсказывающий алгоритм, а на втором (этапе применения) – по контрольной выборке получают результаты работы этого алгоритма. Методы МО очень активно развиваются: так, недавно появилось распределённое МО, позволяющее существенно сократить время обучения. Например, machine learning software – ПО для обучения машин. Синоним – statistical learning (см. также artificial intelligence, deep learning, expert system, genetic programming, machine learning algorithm, machine learning library, nonparametric model, one-shot learning, overfitting, parametric model, supervised machine learning, zero-shot learning);

3. см. teach-in.

machine learning algorithm (ML algorithm) – алгоритм машинного обучения, алгоритм МО # см. также learning algorithm, machine learning, machine learning library.

machine learning application (ML application) – приложение для машинного обучения, для МО # см. также

application, machine learning library.

machine learning efficiency (ML efficiency) – эффективность машинного обучения, эффективность МО # в ВТ – производительность программно-аппаратных средств, на которых проводится обучение (см. также learning efficiency, machine learning).

machine learning library (MLlib

) – библиотека для машинного обучения # библиотека, содержащая методы для построения систем машинного обучения, а также написанные на ЯВУ программы для быстрой реализации алгоритмов машинного обучения, для классификации изображений, для моделирования и др.

machine learning model (также model, ML model) – 1. модель машинного обучения, модель МО – см. machine learning operationalization;

2. модель # результат, полученный при обучении алгоритма машинного обучения с использованием конкретных данных (см. также machine learning, machine learning algorithm).