link=https://en.wikipedia.org/wiki/File:AI_hierarchy.svg|mini|Mašinsko učenje kao podoblast umjetne inteligencije. Mašinsko učenje je podoblast umjetne inteligencije čiji je cilj stvaranje algoritama i računarskih sistema koji su sposobni da se prilagode novim analognim situacijama i uče na osnovu iskustva. Razvijene su različite tehnike učenja za obavljanje različitih zadataka. Prve koje su bile predmet istraživanja odnose se na nadgledano učenje za diskreciono donošenje odluka, nadgledano učenje za kontinuirano predviđanje i pojačano učenje za sekvencijalno donošenje odluka, kao i učenje bez nadzora.
Do sada je od svih navedenih zadataka najbolje shvaćeno odlučivanje kroz jedan pokušaj (). Računaru se daje opis jednog objekta (događaja ili situacije) i očekuje se da kao rezultat ispiše klasifikaciju tog objekta. Na primjer, program za prepoznavanje alfanumeričkih znakova uzima kao ulaz digitaliziranu sliku nekog alfanumeričkog znaka i kao izlaz bi trebao ispisati njegovo ime.
Također pogledajte Algoritam Umjetna inteligencija Spoznaja
Literatura Sergios Theodoridis, Konstantinos Koutroumbas (2009) "Pattern Recognition", 4th Edition, Academic Press. Ethem Alpaydın (2004) Introduction to Machine Learning (Adaptive Computation and Machine Learning), MIT Press, Bing Liu (2007), Web Data Mining: Exploring Hyperlinks, Contents and Usage Data. Springer, Toby Segaran, Programming Collective Intelligence, O'Reilly Ray Solomonoff, "An Inductive Inference Machine" A privately circulated report from the 1956 Dartmouth Summer Research Conference on AI Ray Solomonoff, An Inductive Inference Machine, IRE Convention Record, Section on Information Theory, Part 2, pp., 56-62, 1957 Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1983), Machine Learning: An Artificial Intelligence Approach, Tioga Publishing Company, Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1986), Machine Learning: An Artificial Intelligence Approach, Volume II, Morgan Kaufmann, Yves Kodratoff, Ryszard S. Michalski (1990), Machine Learning: An Artificial Intelligence Approach, Volume III, Morgan Kaufmann, Ryszard S. Michalski, George Tecuci (1994), Machine Learning: A Multistrategy Approach, Volume IV, Morgan Kaufmann, Bishop, C.M. (1995). Neural Networks for Pattern Recognition, Oxford University Press. Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern classification (2nd edition), Wiley, New York, Huang T.-M., Kecman V., Kopriva I. (2006), Kernel Based Algorithms for Mining Huge Data Sets, Supervised, Semi-supervised, and Unsupervised Learning, Springer-Verlag, Berlin, Heidelberg, 260 pp. 96 illus., Hardcover, KECMAN Vojislav (2001), Learning and Soft Computing, Support Vector Machines, Neural Networks and Fuzzy Logic Models, The MIT Press, Cambridge, MA, 608 pp., 268 illus., MacKay, D.J.C. (2003). Information Theory, Inference, and Learning Algorithms, Cambridge University Press. Ian H. Witten and Eibe Frank Data Mining: Practical machine learning tools and techniques Morgan Kaufmann Sholom Weiss and Casimir Kulikowski (1991). Computer Systems That Learn, Morgan Kaufmann. Mierswa, Ingo and Wurst, Michael and Klinkenberg, Ralf and Scholz, Martin and Euler, Timm: YALE: Rapid Prototyping for Complex Data Mining Tasks, in Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD-06), 2006 Trevor Hastie, Robert Tibshirani and Jerome Friedman (2001). The Elements of Statistical Learning, Springer. Vladimir Vapnik (1998). Statistical Learning Theory. Wiley-Interscience, Reference
Vanjski linkovi
International Machine Learning Society mloss je akademska baza podataka softvera otvorenog koda za mašinsko učenje.
Kategorija:Učenje Kategorija:Mašinsko učenje Kategorija:Kibernetika