Machine learning

मशीन लर्निंग पुस्तक संदर्भ

मशीन लर्निंग कंप्यूटर विज्ञान कि कंप्यूटर सिस्टम के लिए "सीख" डेटा के साथ (यानी, वे धीरे-धीरे एक विशेष कार्य पर प्रदर्शन में सुधार), स्पष्ट रूप से प्रोग्राम किया जा रहा है बिना की क्षमता देता है का एक क्षेत्र है।

नाम मशीन लर्निंग आर्थर शमूएल द्वारा 1959 में बनाया गया था। पैटर्न मान्यता और कृत्रिम बुद्धि में कम्प्यूटेशनल शिक्षा सिद्धांत के अध्ययन से विकसित, मशीन सीखने अध्ययन और एल्गोरिदम कि से जानने के लिए और डेटा पर भविष्यवाणी करने के कर सकते हैं के निर्माण की पड़ताल - ऐसे एल्गोरिथम डेटा के आधार पर भविष्यवाणियों या निर्णय लेने के द्वारा सख्ती से स्थिर कार्यक्रम निर्देशों का पालन पर काबू पाने 2 नमूना आदानों से एक मॉडल के निर्माण के माध्यम से। मशीन लर्निंग कंप्यूटिंग कार्यों जहां डिजाइन और अच्छे प्रदर्शन के साथ स्पष्ट एल्गोरिदम प्रोग्रामिंग मुश्किल या अव्यवहार्य है की एक श्रेणी में कार्यरत है; उदाहरण के अनुप्रयोगों ईमेल फ़िल्टरिंग, नेटवर्क घुसपैठियों या एक डेटा भंग, ऑप्टिकल कैरेक्टर रिकग्निशन (ओसीआर) की दिशा में काम दुर्भावनापूर्ण अंदरूनी सूत्रों का पता लगाने, रैंक करने के लिए सीखने, और कंप्यूटर दृष्टि शामिल हैं।

मशीन लर्निंग बारीकी से (और अक्सर के साथ ओवरलैप हो) कम्प्यूटेशनल सांख्यिकी, जो भी भविष्यवाणी बनाने कंप्यूटर के उपयोग के माध्यम से पर केंद्रित है से संबंधित है। यह गणितीय अनुकूलन, जो तरीकों, सिद्धांत और क्षेत्र के लिए आवेदन डोमेन उद्धार करने के लिए मजबूत संबंध है। मशीन लर्निंग कभी कभी जहां बाद उप क्षेत्र खोजपूर्ण डेटा विश्लेषण पर अधिक केंद्रित और चलते किसी सीखने के रूप में जाना जाता है डाटा खनन, साथ सम्मिश्रण है। vii मशीन लर्निंग भी चलते किसी हो सकता है और जानने के लिए और विभिन्न संस्थाओं और फिर सार्थक विसंगतियों को खोजने के लिए इस्तेमाल किया के लिए आधारभूत व्यवहार प्रोफाइल स्थापित करने के लिए इस्तेमाल किया जा।

डेटा विश्लेषण के क्षेत्र के भीतर, मशीन सीखने जटिल मॉडल और एल्गोरिदम कि खुद भविष्यवाणी को उधार देने के चिंतन करने की विधि है, वाणिज्यिक उपयोग में, भविष्यफल बताने वाली इस एनालिटिक्स के रूप में जाना जाता है। इन विश्लेषणात्मक मॉडल शोधकर्ताओं, डेटा वैज्ञानिकों, इंजीनियरों और विश्लेषकों "विश्वसनीय, repeatable फैसलों और परिणाम" और उजागर "छिपा अंतर्दृष्टि" ऐतिहासिक रिश्ते और डेटा में रुझान से सीखने के माध्यम से करने के लिए अनुमति देते हैं।

प्रभावी मशीन सीखने के लिए मुश्किल है क्योंकि पैटर्न खोजने मुश्किल है और अक्सर नहीं पर्याप्त प्रशिक्षण डेटा एक परिणाम के रूप में उपलब्ध हैं, मशीन-लर्निंग प्रोग्राम अक्सर वितरित करने के लिए असफल।