dr Katarzyna Schmidt, prof. UŚ
Uczenie maszynowe, wczoraj Fiction, dzisiaj Science
We współczesnej erze technologii istnieje pewien zasób, którego ludzkość posiada ogromne pokłady. Zasobem tym są niezliczone ilości danych. W drugiej połowie XX wieku w wyniku badań nad sztuczną inteligencją, których celem było opracowanie algorytmów będących w stanie samodzielnie się uczyć i pozyskiwać wiedzę z danych oraz tworzyć na ich podstawie prognozy, powstała dziedzina nauki zwana “uczeniem maszynowym”. Do tej pory określaniem reguł i tworzeniem modeli przy pomocy analizy dużych ilości danych zajmowali się specjalnie do tego zatrudnieni ludzie, co zajmowało bardzo dużo czasu. Dzisiaj z pomocą przychodzi uczenie maszynowe, dzięki któremu w efektywniejszy sposób rozwiązywane są szeroko pojęte problemy. Przy pomocy stopniowego poprawiania skuteczności modeli predykcyjnych oraz podejmowania decyzji na podstawie informacji pozyskanych z analizy danych algorytmy uczenia maszynowego znacznie przyspieszają prace związane z analizą danych[1]. Rozwój uczenia maszynowego staje się coraz istotniejszą dziedziną dla nauk informatycznych, ale także dla użytku codziennego w innych dziedzinach życia. Dziedzinie tej zawdzięczamy wiele rozwiązań, między innymi: filtry antyspamowe zaimplementowane w pocztach e-mail, efektywne wyszukiwanie treści w przeglądarkach internetowych, rozpoznawanie obiektów na zdjęciach lub w czasie rzeczywistym – co docelowo może doprowadzić np. do powstania w pełni bezpiecznych i wydajnych pojazdów samojezdnych (autonomicznych). Uczenie maszynowe dzieli się na trzy odmiany: uczenie nadzorowane, uczenie nienadzorowane oraz uczenie przez wzmocnienie. Każdy z wymienionych rodzajów uczenia służy do rozwiązywania innych problemów[1]. Na wykładzie omówione zostaną w/w odmiany oraz przykłady ich zastosowania w życiu codziennym.
[1] S. Raschka, “Python. Uczenie maszynowe”, Helion, 2018.