Oto odpowiedź na pytanie kursanta:
Uczenie maszynowe to paradygmat, w którym model jest trenowany przy użyciu obiektów wejściowych i pożądanych wartości wyjściowych, które są często etykietami stworzonymi przez ludzi. Proces uczenia buduje funkcję, która mapuje nowe dane na oczekiwane wartości wyjściowe, pozwalając algorytmowi na dokładne określenie wartości wyjściowych dla niewidzianych wcześniej instancji.
Uczenie maszynowe (UM) i sztuczna inteligencja (SI) są powiązane, ale różnią się w następujący sposób:
UM jest obszarem SI, który koncentruje się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie.
SI jest szerszym pojęciem, obejmującym wszystkie formy inteligencji demonstrowane przez maszyny.
UM jest zorientowane na uczenie się z danych, podczas gdy SI obejmuje szeroki zakres zadań, w tym rozpoznawanie obrazów, analiza danych i budowanie złożonych modeli językowych.
UM jest często postrzegane jako "czarna skrzynka", a większość potwierdzeń dokonywana jest empirycznie, a nie teoretycznie, co odróżnia je od SI, która ma bardziej zrozumiałą teorię.