Field- область
Ability-возможность, способность
i.e. -то есть
improve -улучшать
performance -эффективность, выполнение
being explicitly – явно
coined- придуманно
Evolved-развился
pattern recognition-распознование образов
computational -вычислительной
learning-обучение
artificial -искуственный
intelligence -интелект
explores-исследователи
the study -изучают
learn from -учится на
make predictions -делать предсказания
overcome- продолеть
strictly -строго
data-driven управляемые данные
decisions -решения
employed –используется
designing -проектирование
explicit -явный
performance-производительность
infeasible-неосуществимы
intruders-злоумышленник
malicious- вредоносный
insiders – инсайдер
towards в направлении
breach –нарушение
character – знак, буква, символ
recognition-распознование
|
to rank – распределять
closely -тесно
related -связанный
overlaps -перекрывается
focuses -фокусируется
prediction-making предсказании решений
ties -связанно
delivers -обеспечивает
application domains -области приложений
field -поле
conflate -обьединять
mining -добыча
subfield -подполе
exploratory -исследовательской
unsupervised -неконтролируемое
establish -установить
baseline -базовые
behavioral -поведенческие
entities -объектов
meaningful -значимых
Within -в
to devise -разрабатывать
lend -предаваться
prediction -предсказанию
produce -создавать
reliable -надежные
decisions -решения
uncover -раскрывать
hidden -скрытые
insights -идеи
through -посредствам
relationships -отношений
trends -тенденций
available -доступный
to deliver -реазизованы
|
Машинное обучение
Машиноведение - это область компьютерных наук, которая дает компьютерным системам возможность «учиться» (то есть постепенно улучшать производительность по конкретной задаче) с данными, не будучи явно запрограммированной.
Имя Machine Learning было придумано в 1959 году Артуром Самуэлем. Из изучения теории распознавания образов и теории вычислительного обучения в искусственном интеллекте машинное обучение исследует изучение и построение алгоритмов, которые могут учиться и делать прогнозы на данных - такие алгоритмы преодолевают следующие строго статические программные инструкции, создавая предсказания или решения, основанные на данных , путем создания модели из ввода образцов. Машинное обучение используется в ряде вычислительных задач, где проектирование и программирование явных алгоритмов с хорошей производительностью является трудным или неосуществимым; примеры приложений включают фильтрацию электронной почты, обнаружение сетевых злоумышленников или вредоносных инсайдеров, работающих в направлении нарушения данных, оптическое распознавание символов (OCR), обучение ранжированию и компьютерное зрение.
Машинное обучение тесно связано с (и часто совпадением) с вычислительной статистикой, которая также фокусируется на прогнозировании с использованием компьютеров. Он имеет прочные связи с математической оптимизацией, которая предоставляет методы, теории и области приложений в поле. Машинное обучение иногда сочетается с интеллектуальным анализом данных, в котором последнее подполе больше фокусируется на анализе разведочных данных и известно как неконтролируемое обучение. Машиноведение также может быть неконтролируемым и использоваться для изучения и установления базовых поведенческих профилей для различных объектов, а затем для поиска значимых аномалий.
В области аналитики данных машинное обучение - это метод, используемый для разработки сложных моделей и алгоритмов, которые поддаются прогнозированию; в коммерческом использовании это называется прогностической аналитикой. Эти аналитические модели позволяют исследователям, ученым-дантистам, инженерам и аналитикам «создавать надежные, повторяемые решения и результаты» и раскрывать «скрытые идеи» посредством изучения исторических отношений и тенденций в данных.
Эффективное машинное обучение затруднено, потому что поиск шаблонов затруднен и часто недостаточно данных для обучения; в результате программы машинного обучения часто не могут быть реализованы.
Поделитесь с Вашими друзьями: |