Machine learning

For the journal, see Machine Learning (journal). As a broad subfield of artificial intelligence, machine learning is concerned with the design and development of algorithms and techniques that allow computers to "learn". At a general level, there are two types of learning: inductive, and deductive. Inductive machine learning methods extract rules and patterns out of massive data sets.
See more at Wikipedia.org...

L'apprentissage automatique (machine-learning en anglais) est un des champs d'étude de l'intelligence artificielle.
Pour la suite, voir Wikipédia.org…

Maschinelles Lernen ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann nach Beendigung der Lernphase verallgemeinern. D. h. es lernt nicht einfach die Beispiele auswendig, sondern es „erkennt“ Gesetzmäßigkeiten in den Lerndaten. So kann das System auch unbekannte Daten beurteilen.
Mehr unter Wikipedia.org...

Uczenie maszynowe albo uczenie się maszyn, systemy uczące się (ang. machine learning) - stosunkowo młoda i szybko rozwijająca się dziedzina wchodząca w skład nauk zajmujących się problematyką SI (patrz sztuczna inteligencja). Jest to nauka interdyscyplinarna ze szczególnym uwzględnieniem takich dziedzin jak informatyka, robotyka i statystyka. Głównym celem jest praktyczne zastosowanie dokonań w dziedzinie sztucznej inteligencji do stworzenia automatycznego systemu potrafiącego doskonalić się przy pomocy zgromadzonego doświadczenia (czyli danych) i nabywania na tej podstawie nowej wiedzy.
W celu uzyskania więcej informacji, zobacz w Wikipedia.οrg...

L'Apprendimento automatico (noto in letteratura come Machine Learning) rappresenta una delle aree fondamentali dell'Intelligenza Artificiale e si occupa della realizzazione di sistemi che si basano su osservazioni o esempi come dati per la sintesi di nuova conoscenza (classificazioni, generalizzazioni, riformulazioni). Sono numerose le situazioni di difficile soluzione mediante algoritmi tradizionali. Queste tipicamente sono dovute alla presenza di uno o più dei seguenti fattori:Difficoltà di formalizzazione. Per esempio ognuno di noi sa riconoscere se una certa immagine contenga la faccia di un amico ma probabilmente nessuno sa descrivere una sequenza di passi computazionali che, eseguita sui pixel, consenta di rispondere alla domanda.Elevato numero di variabili in giocoMancanza di teoria. Per esempio non esistono leggi matematiche note che regolino con esattezza l'andamento dei mercati finanziari.Necessità di personalizzazione. Se per esempio vogliamo classificare documenti come interessanti o non interessanti, la distinzione può dipendere significativamente dal particolare utente.
Per saperne di più visita Wikipedia.org...