Học máy

Một số hệ thống học máy nỗ lực loại bỏ nhu cầu trực giác của con người trong việc phân tích dữ liệu, trong khi các hệ thống khác hướng đến việc tăng sự cộng tác giữa người và máy. Không thể loại bỏ hoàn toàn tác động của con người vì các nhà thiết kế hệ thống phải chỉ định cách biểu diễn của dữ liệu và những cơ chế nào sẽ được dùng để tìm kiếm các đặc tính của dữ liệu. có thể được xem là một nỗ lực để tự động hóa một số phần của phương pháp khoa học. Một số nhà nghiên cứu học máy tạo ra các phương pháp bên trong các khuôn khổ của thống kê Bayes.

Các thuật toán học máy được phân loại theo kết quả mong muốn của thuật toán. Các loại thuật toán thường dùng bao gồm:

• Học có giám sát -- trong đó, thuật toán tạo ra một hàm ánh xạ dữ liệu vào tới kết quả mong muốn. Một phát biểu chuẩn về một việc học có giám sát là bài toán phân loại: chương trình cần học (cách xấp xỉ biểu hiện của) một hàm ánh xạ một vector [X_1, X_2, ldots X_N] tới một vài lớp bằng cách xem xét một số mẫu dữ_liệu - kết_quả của hàm đó.
• Học không giám sát -- mô hình hóa một tập dữ liệu, không có sẵn các ví dụ đã được gắn nhãn.
• Học nửa giám sát -- kết hợp các ví dụ có gắn nhãn và không gắn nhãn để sinh một hàm hoặc một bộ phân loại thích hợp.
• Học tăng cường -- trong đó, thuật toán học một chính sách hành động tùy theo các quan sát về thế giới. Mỗi hành động đều có tác động tới môi trường, và môi trường cung cấp thông tin phản hồi để hướng dẫn cho thuật toán của quá trình học.
• Chuyển đổi -- tương tự học có giám sát nhưng không xây dựng hàm một cách rõ ràng. Thay vì thế, cố gắng đoán kết quả mới dựa vào các dữ liệu huấn luyện, kết quả huấn luyện, và dữ liệu thử nghiệm có sẵn trong quá trình huấn luyện.
• Học cách học -- trong đó thuật toán học thiên kiến quy nạp của chính mình, dựa theo các kinh nghiệm đã gặp.

Phân tích hiệu quả các thuật toán học máy là một nhánh của ngành thống kê, được biết với tên lý thuyết học điện toán.

Danh sách các chủ đề của môn học này:

• Mô hình hóa các hàm mật độ xác suất điều kiện: hồi quy và phân loại
• Mạng nơ-ron
• Cây quyết định
• Lập trình biểu thức gen
• Lập trình di truyền
• Hồi quy quá trình Gauss
• Phân tích biệt thức tuyến tính
• k láng giềng gần nhất
• Độ dài thông điệp tối thiểu
• Cảm tri nguyên
• Hàm cơ sở xuyên tâm
• Máy hỗ trợ vector
• Mô hình hóa các hàm mật độ xác suất qua các mô hình phát sinh:
• Thuật toán cực đại kì vọng
• Các mô hình đồ họa gồm mạng Bayes và mạng Markov
• Ánh xạ topo phát sinh
• Các kỹ thuật suy luận xấp xỉ đúng:
• Chuỗi Markov phương pháp Monte Carlo
• Phương pháp biến thiên
• Tối ưu hóa: hầu hết các phương pháp trên đều sử dụng tối ưu hóa hoặc là các thể hiện của các thuật toán tối ưu hóa.