Машинне навчання в штучному інтелекті

Study Notes

Definition: A subset of AI that involves training algorithms to learn from data and make predictions or decisions without being explicitly programmed.
Types of Machine Learning:
- Supervised Learning: The algorithm is trained on labeled data to learn the relationship between input and output.
- Unsupervised Learning: The algorithm is trained on unlabeled data to discover patterns or relationships.
- Reinforcement Learning: The algorithm learns by interacting with an environment and receiving rewards or penalties for its actions.
Key Concepts:
- Model Training: The process of feeding data to a machine learning algorithm to learn from it.
- Model Evaluation: The process of assessing the performance of a trained machine learning model.
- Overfitting: When a model is too complex and performs well on the training data but poorly on new, unseen data.
- Underfitting: When a model is too simple and fails to capture the underlying patterns in the training data.

Definition: A subfield of AI that focuses on the interaction between computers and humans in natural language.
Key Concepts:
- Tokenization: The process of breaking down text into individual words or tokens.
- Named Entity Recognition (NER): The process of identifying and categorizing named entities in text (e.g., person, organization, location).
- Part-of-Speech (POS) Tagging: The process of identifying the grammatical category of each word in a sentence (e.g., noun, verb, adjective).
NLP Applications:
- ** Sentiment Analysis**: Determining the emotional tone or sentiment behind a piece of text.
- Language Translation: Translating text from one language to another.
- Text Summarization: Automatically summarizing large pieces of text into concise summaries.

Машинне навчання - це підгрупа штучного інтелекту, що涉ається у навчанні алгоритмів на основі даних та складанні передбачень або прийняттів рішень без прямих програм.
Типи машинного навчання:
Начиренное навчання: алгоритм навчається на поетичних даних, щоб дізнатися відносини між вхідними даними та результатами.
Безназначвсе навчання: алгоритм навчається на безпоетичних даних, щоб виявити моделі або відносини.
Зміни навчення: алгоритм навчається, взаємодіючи з оточенням та отримуючи винагороди або покарання за свої дії.

Навчання моделі: процес подання даних алгоритму машинного навчання, щоб той навчився з них.
Оцінювання моделі: процес оцінки результативності навченої моделі машинного навчання.
Перенавчання: коли модель стає надто складною та працює добре на тренувальних даних, але погано на нових, не бачених даних.
Недонавчання: коли модель стає надто простою та не може вловити приховані моделі в тренувальних даних.

Обробка природної мови - це галузь штучного інтелекту, що концентрується на взаємодії між комп'ютерами та людиною в природній мові.
Ключові поняття:
Токенізація: процес розділення тексту на окремі слова або токени.
Виявлення іменованих сутностей (NER): процес виявлення та категоризації іменованих сутностей в тексті (наприклад, людина, організація, місце).
Маркування частки мови (POS-tagging): процес виявлення граматичної категорії кожного слова в реченні (наприклад, іменник, дієслово, прикметник).