یادگیری ماشینی ، رشته ای از علوم رایانه است که به سیستم های رایانه ای توانایی "یادگیری" (یعنی بهبود تدریجی عملکرد یک کار خاص) را با داده ها می دهد ، بدون اینکه به طور صریح برنامه ریزی شده باشد.
نام یادگیری ماشین در سال 1959 توسط آرتور ساموئل ایجاد شد. از مطالعه تشخیص الگو و تئوری یادگیری محاسباتی در هوش مصنوعی ، یادگیری ماشین به مطالعه و ساخت الگوریتم هایی می پردازد که می توانند از داده ها یاد بگیرند و پیش بینی کنند - این الگوریتم ها با انجام پیش بینی ها یا تصمیم گیری های مبتنی بر داده بر اساس دستورالعمل های کاملاً استاتیک برنامه غلبه می کنند ، 2 از طریق ساختن مدلی از ورودی های نمونه. یادگیری ماشین در طیف وسیعی از وظایف محاسباتی به کار گرفته می شود که طراحی و برنامه نویسی الگوریتم های صریح با عملکرد خوب دشوار یا غیرقابل اجرا است. از جمله برنامه های کاربردی ، می توان به فیلتر کردن ایمیل ، شناسایی متجاوزان شبکه یا افراد ناخوشایند که برای نقض داده ها ، شناسایی نوری کاراکتر (OCR) ، یادگیری رتبه بندی و بینایی کامپیوتر کار می کنند ، اشاره کرد.
یادگیری ماشینی ارتباط تنگاتنگی با آمار محاسباتی (و غالباً همپوشانی با آنها) دارد ، که همچنین بر پیش بینی از طریق استفاده از رایانه متمرکز است. این ارتباط قوی با بهینه سازی ریاضی دارد ، که دامنه های روش ، تئوری و کاربرد را به این حوزه می رساند. یادگیری ماشینی گاهی اوقات با داده کاوی در ارتباط است ، جایی که زیرشاخه دوم بیشتر روی تجزیه و تحلیل داده های اکتشافی متمرکز است و به عنوان یادگیری بدون نظارت شناخته می شود. vii یادگیری ماشینی همچنین می تواند بدون نظارت باشد و برای یادگیری و ایجاد پروفایل های رفتاری پایه برای نهادهای مختلف مورد استفاده قرار گیرد و سپس برای یافتن ناهنجاری های معنی دار مورد استفاده قرار گیرد.
در زمینه تجزیه و تحلیل داده ها ، یادگیری ماشین روشی است که برای ابداع مدل ها و الگوریتم های پیچیده ای استفاده می شود که خود را به پیش بینی می رسانند. در استفاده تجاری ، این به عنوان تجزیه و تحلیل پیش بینی شناخته می شود. این مدل های تحلیلی به محققان ، دانشمندان داده ، مهندسان و تحلیل گران این امکان را می دهد تا "با اتخاذ یادگیری از روابط تاریخی و روند داده ها" "تصمیمات و نتایج قابل اعتماد و قابل تکرار" تولید کنند و "بینش پنهان" را کشف کنند.
یادگیری موثر ماشین کاری دشوار است زیرا یافتن الگوها سخت است و در نتیجه اطلاعات کافی کافی در دسترس نیستند ، برنامه های یادگیری ماشین اغلب موفق به ارائه نمی شوند.
