この記事は Google Cloud Translation APIを使用した自動翻訳です。
いくつかの文書は原文を読むのに良いかもしれません。
#Overview
機械学習(ML)は、コンピュータが明示的にプログラムすることなくデータと経験を通して学習できるようにする人工知能(AI)の一種です。データにアクセスし、データを使用して自分で学習できるコンピュータプログラムの開発に重点を置いたAIのサブセットです。 MLアルゴリズムは、データマイニング、自然言語処理、画像認識、ロボット工学などのさまざまなアプリケーションで使用されています。
#History
MLの概念は、Alan Turingが環境で学習できる機械のアイデアを提案した1950年代からありました。 1959年、Arthur Samuelはチェッカーゲームプログラムである最初のMLプログラムを作成しました。 1960年代に、ML研究は主に手でコード化された規則を使用して決定を下す象徴的なアプローチに焦点を当てました。 1980年代に、ML研究は統計モデルを使用して予測を実行するニューラルネットワークに移行しました。 1990年代に、ML研究はサポートベクトルマシンや意思決定ツリーなどのより複雑なアルゴリズムに移行しました。 2000年代に、ML研究は大規模ニューラルネットワークを使用して予測を実行するディープラーニングに移行しました。
#description
MLは、コンピュータが明示的にプログラミングせずにデータと経験を通して学習できるようにするAIタイプです。データにアクセスし、データを使用して自分で学習できるコンピュータプログラムの開発に重点を置いたAIのサブセットです。 MLアルゴリズムは、データマイニング、自然言語処理、画像認識、ロボット工学などのさまざまなアプリケーションで使用されています。
MLアルゴリズムは、マップ学習と非マップ学習の2つのカテゴリに分けられます。マップ学習アルゴリズムは、データにラベルが付けられ、所与の入力に対する出力を予測することが目標である場合に使用される。非マップ学習アルゴリズムは、データにラベルが付けられておらず、データからパターンを見つけることが目的の場合に使用されます。
#特徴
MLアルゴリズムは、明示的にプログラムせずにデータと経験から学習するように設計されています。彼らは与えられたデータに基づいて予測をすることができます。 MLアルゴリズムは、人が検出できないデータのパターンも検出できます。
MLアルゴリズムは、新しいデータと経験にも適応することができます。これは、彼らが新しいデータと経験から学び、この知識を使ってより良い予測をすることができることを意味します。
#yes
MLの一般的な例はスパムフィルタです。スパムフィルタは、MLアルゴリズムを使用して電子メールのパターンを検出し、スパムまたはスパムではないものとして分類するプログラムです。 MLアルゴリズムは、スパムまたはスパムではないとラベル付けされた電子メールデータセットで学習されます。その後、アルゴリズムはこのデータを使用して、電子メールをスパムまたはスパムではないものに分類する方法を学習します。
#長所と短所
MLの主な利点は、コンピュータが明示的にプログラムせずにデータと経験を通して学習できることです。これは、MLアルゴリズムを使用して多くの手動プログラミングなしで予測を実行できることを意味します。
MLの主な欠点は、アルゴリズムの結果を解釈するのが難しいことです。これにより、アルゴリズムが特定の決定を下した理由を理解するのが難しくなります。
#議論
MLアルゴリズムは、偏見を永続化できる可能性のために批判されています。これは、MLアルゴリズムが偏向決定につながる可能性がある偏向を含むデータで学習できるためです。たとえば、履歴書データセットで訓練されたMLアルゴリズムは、特定の性別や民族を好むように学習できます。
#関連技術
MLアルゴリズムは、自然言語処理(NLP)やコンピュータビジョンなどの他のAI技術と関連しています。 NLPは、コンピュータが人間の言語を理解して生成できるようにする一種のAIです。コンピュータビジョンは、コンピュータが画像を認識して理解できるようにする一種のAIです。
#余談
MLアルゴリズムはロボット工学にも使用されます。ロボットは、ロボットの設計と構成に焦点を当てた工学の分野です。 ML アルゴリズムを使用すると、ロボットが環境で学習して決定を下すことができます。
#その他
MLアルゴリズムは自律走行車にも使用されます。自律走行車は、人が運転しなくても自ら運転できる車両である。 MLアルゴリズムを使用して、自律走行車両が環境に応じて決定を下すことができます。