機械学習 – ウィキペディア

機械学習 経験からの「人為的な」知識の生成の一般的な用語です。
人工システムは例から学習し、学習フェーズが終了した後にそれを一般化することができます。
さらに、アルゴリズムは、トレーニングデータに基づいて機械学習を学習するときに統計モデルを構築し、テストデータに対してテストします。
これは、例が単に心から学習されるのではなく（過度に適応することを参照）、学習データのパターンと法則を認識していることを意味します。このようにして、システムは不明なデータ（学習転送）を評価したり、未知のデータを学習することもできます（over -the -adaptation;英語 オーバーフィッティング ）。 ^{[初め] [2]} 幅広い可能なアプリケーションから、自動化された診断手順、クレジットカード詐欺の検出、株式市場分析、ヌクレオチドシーケンスの分類、言語とテキスト認識、および自律システム。

このトピックは、「データベースの知識発見」および「データマイニング」と密接に関連していますが、これは主にそれを見つけることについてです 新しい パターンと法律が進みます。両方の目的に多くのアルゴリズムを使用できます。 「データベースでの知識発見」の方法を使用して、「機械学習」を作成または準備することができます。その見返りに、機械学習のアルゴリズムはデータマイニングに適用されます。
この用語は、人工ニューロンネットワークを使用した学習バリアントのみである「ディープラーニング」という用語と区別する必要があります。

（仮想）モデルへのデータを閉じることは、統計的推論と呼ばれます。

知識表現の種類と厚さは、機械学習において重要な役割を果たします。象徴的なアプローチと、誘導されたルールの両方の知識と誘導的なアプローチが明示的に表されることと、予測可能な動作で「訓練」されているニューロンネットワークなどの非共同的アプローチとの間を区別が行われます。知識はここで暗黙的に表されています。 ^[3]

象徴的なアプローチでは、証言論理的システムと述語論理システムとの区別が行われます。前者の代表者はID3と彼の後継者C4.5です。後者は、帰納的論理プログラミングの分野で開発されています。

実際の実装は、アルゴリズムを使用して行われます。機械学習の分野からのさまざまなアルゴリズムは、3つのグループに大まかに分けることができます。 ^[4] 監視学習（英語 監視された学習 ）、克服できない学習（英語 監視されていない学習 ）および学習の強化（英語 強化学習） 。

監視された学習 [ 編集 | ソーステキストを編集します ]

アルゴリズムは、入力と費用から与えられたカップルから関数を学習します。学習中、「教師」は入力の正しい機能値を提供します。監視の目的は、さまざまな着信と費用のあるいくつかの算術の長さの後、関連性を作成する能力を訓練する能力があることです。のサブエリア 監視された学習 自動分類です。アプリケーションの例は、手書き認識です。

文献でより頻繁に言及されている監視された学習用のサブカテゴリがまだいくつかあります。

• 部分的に監視された学習（英語 半教師の学習 ）関連費用は、エントリの一部でのみ既知です。 ^[5]
• アクティブラーニング（英語 能動的学習 ）アルゴリズムには、エントリの一部の正しい費用について問い合わせる機会があります。アルゴリズムは、質問の数を可能な限り少ないことを保つために、高い情報ゲインを約束する質問を決定する必要があります。 ^[6]
• 独立学習（英語 自己訓練 ）このアルゴリズムは、2つの重要なコンポーネントに分割できます。最初のアルゴリズムコンポーネント（ティーチャー）は、既存のラベル付きデータレコードからの擬似標識を使用して、さらなるデータレコードをリードしています。 2番目のアルゴリズムコンポーネントは、拡張されたラベル付きデータレコードから学習し、独自のモデルに発見されたパターンを使用します。 ^[7]

克服できない学習 [ 編集 | ソーステキストを編集します ]

特定の量の入力について、アルゴリズムは、入力を記述し、認識されたカテゴリと関係を含む統計モデルを作成し、したがって予測を可能にします。データを特徴的なパターンによって互いに異なるいくつかのカテゴリに分割するクラスタリング方法があります。したがって、ネットワークは、入力パターンを分割する分類器を独立して作成します。このコンテキストでの重要なアルゴリズムはEMアルゴリズムです。これは、モデルのパラメーターを繰り返し決定して、見たデータを最適に説明します。彼は非観測不可能なカテゴリの存在を使用し、カテゴリのいずれかとカテゴリを構成するパラメーターにデータの帰属を交互に評価します。たとえば、Hidden Markovモデル（HMM）で、EMアルゴリズムのアプリケーションを見つけることができます。学習を妨害する他の方法、例えばB.メインコンポーネント分析、分類なしで行います。観察されたデータをより単純な表現に変換することを目指しています。これは、情報を大幅に削減したにもかかわらず、可能な限り正確に再現します。

また、すべての入出力ペアが同時に存在するバッチ学習と、ネットワークの構造が時間内に発達する連続（シーケンシャル）学習が存在するバッチ学習も区別されます。

さらに、すべてのデータが保存されているため、再現可能なアクセス可能なオフライン学習と、一度だけのデータが失われたオンライン学習と重量の適応との区別が行われます。バッチトレーニングは常にオフラインであり、オンライントレーニングは常に漸進的です。ただし、増分学習は行われたり、オフラインで行われたりできます。 ^[8]

学習の強化 [ 編集 | ソーステキストを編集します ]

学習を奨励することは、累積報酬の特定の価値を最大化するために、エージェントが環境でどのように行動すべきかという問題を扱う機械的学習の分野です。 ^{[9] [十]} その一般性のために、この分野は他の多くの分野でも調べられています。 B.ゲーム理論、制御理論、操作研究、情報理論、シミュレーションベースの最適化、マルチエージェントシステム、SWARMインテリジェンス、統計、遺伝的アルゴリズム。学習マシンの場合、環境は通常、マルコフの意思決定プロセス（MDP）として表示されます。強化学習技術の多くのアルゴリズムは、動的プログラミングを使用しています。 ^[11] 強化学習アルゴリズムは、MDPの正確な数学モデルを必要とせず、正確なモデルが実行不可能な場合は使用されます。強化学習アルゴリズムは、自律型車両で使用されたり、人間の相手に対してゲームを学ぶときに使用されます。

自動機械学習は、機械学習の多くのステップを自動化します。

• セバスチャン・ラシュカ、ヴァヒド・ミルジャリリ： PythonとScikit-LearnおよびTensorflowを使用した機械学習：データサイエンス、予測分析、およびディープラーニングのための包括的な実践マニュアル 。 MITP-Verlags GmbH＆Co。KG、2017、ISBN 978-3-95845-735-5（ Google COM ）。
• アンドレアスC.ミュラー、サラギド： Pythonを使用した機械学習の紹介 。 O’Reilly-Verlag、Heidelberg 2017、ISBN 978-3-96009-049-6。
• クリストファー・M・ビショップ： パターン認識と機械学習 。情報科学と統計。 Springer-Verlag、Berlin 2008、ISBN 978-0-387-31073-2。
• デビッドJ. C.マッカイ： 情報理論、推論および学習アルゴリズム 。ケンブリッジ大学出版局、ケンブリッジ2003、ISBN 978-0-521-64298-9（ オンライン ）。
• トレヴァー・ハスティー、ロバート・ティブシラニ、ジェローム・フリードマン： 統計学習の要素 。データマイニング、推論、および予測。第2版​​。 Springer-Verlag、2008、ISBN 978-0-387-84857-0（ stanford.edu [PDF]）。
• トーマス・ミッチェル： 機械学習 。 McGraw-Hill、ロンドン1997、ISBN 978-07-115467-3。
• D.ミッシー、D。J。Spiegelhalter： 機械学習、神経および統計的分類 。の： 人工知能のエリス・ホルウッドシリーズ 。 E. Horwood Publisher、New York 1994、ISBN 978-0-13-106360-0。
• リチャード・O・ドーダ、ピーター・E・ハート、デビッド・G・ストーク： パターン分類 。 Wiley、New York 2001、ISBN 978-0-471-05669-0。
• デビッドバーバー： ベイジアンの推論と機械学習 。ケンブリッジ大学出版局、ケンブリッジ2012、ISBN 978-0-521-51814-7。
• アーサーL.サミュエル（1959）： Game of Checkersを使用した機械学習のいくつかの研究 。 IBM J Res Dev 3：210–229。 2：10.1147/rd.33.0210 。
• アレクサンダーL.フラドコフ： 機械学習の初期の歴史 。 IFAC-Papersonline、第53巻、第2号、2020年、1385-1390ページ、 2：10.1016/j.ifacol.2020.12.1888 。