Ikasketa automatiko

Wikipedia, Entziklopedia askea
Jump to navigation Jump to search

Adimen artifizialaren adar bat da ikasketa automatikoa, esperientziatik ikasteko gai diren konputagailu programak garatzea helburu gisa daukana [1]. Ikastea berriz, esperientzia trebetasun edo jakintza bihurtzen duen prozesua da [2]. Ikasketa algoritmoaren sarrera edo inputa entrenamendu datuak dira, esperientzia adierazten dutenak, eta irteera edo outputa jakintza edo trebetasuna litzateke, ataza jakin bat burutzeko gai den konputagailu-programa gisa adierazia.

Definizio formalagoa eskaintzen digu Mitchell-ek [3]: T ataza-multzoa burutzeko R errendimendua daukan konputagailu programa batek, S esperientziatik ikasi duela esango dugu baldin eta S esperientziak ataza burutzeko R errendimendua hobetzen badu.

Aplikazio-eremuak[aldatu | aldatu iturburu kodea]

Definizio hori jarraituz, hainbat metodo garatu izan dira eta, horiei esker, konputagailua gai da kalkulu-ahalmenaz harago doazen trebeziak eskatzen dituzten problemak ebazteko. Arrakastaz aplikatu dira ikasketa automatikoko algoritmoak eguraldiaren iragarpena, gaixotasunen diagnosia, eta antzeko ataza askotan [4] [5] [6] Azken batean, metodo horien bidez ezagutza lortu nahi da, egoera berri baten aurrean (paziente berri bat datorkion medikuari,gaurko eguraldiaren deskribapena jaso duen meteorologoari) erabaki egokia hartzen laguntzeko.

Azken aldian konputagailuek izan duten konputazio-ahalmenaren gorakadak eta hainbat aplikazio-eremutan bildu diren datu-multzo erraldoiek izugarrizko bultzada eman diote ikasketa automatikoari[7][8] [9]

Lengoaia Naturalaren Prozesamenduan ere, Ikasketa Automatikoko metodoak ataza ugaritan erabili izan dira azken urteotan. Besteak beste Dokumentuen Sailkatze Automatikoan, Informazio-Berreskuratzean, Esaldien Ordenazioan, Itzulpen Automatikoan, Hitzen Adiera-Desanbiguatzean, Korreferentzia-Ebaztean eta Galdera-Erantzun sistemetan[10]

Erreferentziak[aldatu | aldatu iturburu kodea]

  1. Mitchell, Tom M. (1997). Machine learning. WCB, McGraw Hill, Boston
  2. Shalev-Shwartz, S. eta Ben-David, S. (2014). Understanding machine learning: From theory to algorithms, Cambridge university press
  3. Mitchell, Tom M. (1997). Machine learning. WCB, McGraw Hill, Boston
  4. Libbrecht, Maxwell W eta Noble, William Stafford (2015). Machine learning in genetics and genomics,p. 321, Nature Reviews. Genetics
  5. Witten, I.H. eta Frank, E. eta Hall, M.A. eta Pal, C.J. (2016). Data Mining: Practical machine learning tools and techniques, Morgan Kaufmann
  6. Xingjian, S. eta Chen, Z. eta Wang, H. eta Yeung, D.Y. eta Wong, W.K. eta Woo, W.C. (2015). Convolutional LSTM network: A machine learning approach for precipitation nowcasting
  7. Marz, N. eta Warren, J. (2015). Big Data: Principles and best practices of scalable realtime data systems, Manning Publications Co.
  8. White, T. (2012). Hadoop: The definitive guide, O'Reilly Media, Inc.
  9. LeCun, Y. eta Bengio, Y. eta Hinton, G. (2015). Deep learning, Nature Publishing Group
  10. Jurafsky, Dan, eta James H. Martin. (2014). Speech and language processing, Perason, London