Taula de continguts:
Definició: què significa l'aprenentatge automàtic?
L’aprenentatge automàtic és una disciplina d’intel·ligència artificial (AI) orientada al desenvolupament tecnològic del coneixement humà. L’aprenentatge automàtic permet als ordinadors manejar situacions noves mitjançant anàlisi, autoformació, observació i experiència.
L’aprenentatge automàtic facilita l’avanç continu de la informàtica mitjançant l’exposició a nous escenaris, proves i adaptacions, alhora que s’utilitza la detecció de patrons i tendències per a decisions millorades en situacions posteriors (encara que no idèntiques).
L’aprenentatge automàtic sovint es confon amb l’explotació de dades i el descobriment de coneixements en bases de dades (KDD), que comparteixen una metodologia similar.
Techopedia explica Machine Learning
Tom M. Mitchell, pioner en l'aprenentatge automàtic i professor de la Universitat Carnegie Mellon (CMU), va predir l'evolució i la sinergia de l'aprenentatge humà i de la màquina. El Facebook News News d'avui és un exemple perfecte. El canal de notícies està programat per mostrar contingut de l'amic d'usuari. Si un usuari etiqueta o escriu freqüentment a la paret d’un determinat amic, el News Feed canvia el seu comportament per mostrar més contingut d’aquest amic.
Altres aplicacions d'aprenentatge automàtic inclouen el reconeixement sintàctic de patrons, processament del llenguatge natural, motors de cerca, visió per ordinador i percepció de la màquina.
| Descàrrega gratuïta: AI en la indústria de les assegurances: 26 casos d'ús del món real |
És difícil replicar la intuïció humana en una màquina, principalment perquè els éssers humans sovint aprenen i executen decisions de manera inconscient.
Igual que els nens, les màquines requereixen un període d’entrenament prolongat per desenvolupar algoritmes amplis orientats al dictat de conductes futures. Les tècniques d’entrenament inclouen aprenentatge de rotació, ajustament de paràmetres, macro-operadors, fragments, aprenentatge basat en explicacions, agrupació, correcció d’errors, registre de casos, gestió de models múltiples, propagació del darrere, aprenentatge de reforç i algoritmes genètics.
