🎯 Definicja
Machine Learning (ML) to sztuka uczenia komputerów bez ich programowania.
Zamiast pisać instrukcję if (x > 5) then y, dajesz komputerowi 1000 przykładów X i Y, a on sam zgaduje zasadę (funkcję).
🔑 Kluczowe punkty
- Dane: Bez danych nie ma ML. Dane to paliwo.
- Trening: Proces szukania wzorców.
- Generalizacja: Celem nie jest wykucie przykładów na pamięć, ale zrozumienie zasady, by działać na nowych danych.
📚 Szczegółowe wyjaśnienie
Główne typy:
- Supervised (Nadzorowane): Masz pytania i odpowiedzi. (Nauczyciel pokazuje: “To jest kot, to jest pies”). Np. Klasyfikacja spamu, Przewidywanie ceny mieszkań.
- Unsupervised (Nienadzorowane): Masz tylko dane. (Nauczyciel rzuca klocki i mówi: “Poukładaj to sensownie”). Np. Segmentacja klientów, Wykrywanie anomalii.
- Reinforcement (Wzmocnienie): Metoda kija i marchewki. (Agent gra w grę, dostaje punkty za wygraną). Np. AI w grach, Robotyka.
💡 Przykład zastosowania
Filtry Spamu w Gmailu. Kiedy klikasz “To jest spam”, uczysz model (Supervised Learning). Model “widzi”, że słowa “Wygrałeś”, “Viagra”, “Książę z Nigerii” często występują w spamie. Uczy się wagi dla tych słów. Następnym razem sam zablokuje podobny mail.
📌 Źródła
- Andrew Ng - Machine Learning Course (Coursera).
👽 Brudnopis
- ML to podzbiór AI. Deep Learning (Sieci neuronowe) to podzbiór ML. LLM to podzbiór Deep Learningu.