Presná definícia
Čo znamená strojové učenie?
Strojové učenie je oblasť AI, v ktorej algoritmus z dát a skúsenosti vytvára alebo upravuje model tak, aby sa zlepšil v určenej úlohe podľa meradla výkonu. Programátor neurčuje úplný postup pre každý vstup; určuje reprezentáciu, priestor modelov, cieľ učenia a dáta. Naučený vzor nie je automaticky kauzálny ani všeobecný: platnosť závisí od populácie, rozdelenia údajov a induktívnych predpokladov.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Pri predikcii odchodu zákazníka sa najprv určí čas rozhodnutia, cieľová premenná a následok chýb. Dáta sa rozdelia podľa reálneho nasadenia, zostaví sa jednoduchý baseline a celá príprava príznakov sa učí iba na tréningovej časti. Model sa vyberá na validácii a testuje raz na nedotknutej množine. Po nasadení sa sleduje drift vstupov, kalibrácia a výsledok zásahu, nie iba skóre predikcie. Ak pravidlové riešenie dosiahne rovnaký prínos s menším rizikom a nákladmi, strojové učenie nie je samoúčelnou voľbou.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Kedy sa program učí?
Keď sa jeho výkon v úlohe podľa zvolenej metriky zlepšuje so skúsenosťou alebo dátami.
Nahrádza ML programovanie?
Nie. Ľudia stále určujú cieľ, dáta, architektúru, pipeline a prevádzkové obmedzenia.
Aké základné režimy existujú?
Učenie s učiteľom, bez učiteľa, polosupervidované, sebou kontrolované a posilňované učenie.
Naučí model príčinu?
Bežný prediktívny tréning odhaľuje asociácie; kauzálny záver vyžaduje ďalšie predpoklady alebo experiment.
Stačí vysoké testovacie skóre?
Nie. Potrebná je reprezentatívnosť testu, kalibrácia, robustnosť, prevádzkový prínos a prijateľné riziko.