Save mokančios sistemos (machine learning) , kaip dirbtinio intelekto dalis, apima labai plačią procesų sritį, kuriuos labai sunku aprašyti vienu apibrėžimu. Kas liečia save mokančia mašinas, galima sakyti, kad sistema išmoksta tai – kas keičia jos struktūrą, programą ar jos informaciją, tokiu būdu keičiant tikimasi pagerinti, patobulinti sistemos darbą ateityje. Kai kurie iš šių pakeitimų, tokie kaip papildomas įrašas duomenų bazėje, yra labai patogus disciplinų srityje ir nėra geriau būtinas suprasti mokymąsi kaip reikšmę. Bet pavyzdžiui, kai yra vykdomas kalbos atpažinimo (speech-recognition) sistemos tobulinimas po klausymosi kelių pavyzdžių (samples), vieno žmogaus, iš dalies mes galime sakyti, kad sistema išmoko, įsiminė „samplus“. Bendrai tariant save mokančios sistemos yra dalis kompiuteriu mokslo, kuris susijęs su sistemomis galinčiomis mokytis iš joms pateikiamų duomenų, ar iš save mokančių sistemų atliktų veiksmų. Save mokančios sistema (Macine learning) atsakinga už DI galimumą automatiškai mokytis iš jau apdorotu žinių. Ši galimybė mokytis iš patirties, analizinis peržiūrėjimas, ir kita reiškia, kad sistema gali pradėti veikti labai veiksmingai ir naudingai, t.y. kad sistemos su šiuo mechanizmu yra žymiai pranašesnės nei sistemos be šio mechanizmo.
Save mokančios sistemose dažniausiai kalbama apie susijusius pasikeitimus sistemoje, kalbant apie dirbtinį intelektą DI (artificial intelligence AI). Tai yra tokie užduočių veiksmai kaip atpažinimas, diagnozė, planavimas, robotu kontrolė (robot control) , pranašavimas.
Penkios save mokančių sistemų pagrindinės sritys:
• Analytic learning methoods – analitiniai mokymosi metodai.
• Neural network – semantiniai tinklai.
• Genetic algorithms – genetiniai algoritmai.
• Clasifier systems – sistemos klasifikatorius.
• Desision trees – sprendimų medis
• Case-based approaches learning –tikrinimu pagristas mokymasis
Save mokančių sistemų (Mahine learning) tikslai:
• Suprasti ir pagerinti mastymą nei žmonių.
• Atrasti naujus dalykus arba struktūras, kurios yra nežinomos žmaugaus.
• Užpildyti atitinkamą sritį didelėje dirbtinio intelekto sistemoje.
Komponentai sudarantys save mokančia sistemą:Pasikeitimai bet kuriame iš šių elementų, pavaizduotų schemoje gali būti suprantami kaip mokymasis. Skirtingi mokymosi mechanizmai yra pasiskirstę, priklausomai nuo posistemės, kurioje buvo padaryti pakeitimai. Paprasčiausią mokymosi sistemos mechanizmo modelis sudarytas iš:
• Mokymosi elementas (learning element) – dalis atsakinga už reikšmingus pasikeitimus.
• Vykdymo elementas (perfomance element)- dalis atsakinga už reagavimą į veiksmus.
• Kritikas (critic) – nurodo mokymosi elementui mokymosi agento būsena.
• Problemos generatorius (problemos generator) – siūlo galimus veiksmus, kurie galėtų naujos informacijos „išmokimas“
• Problemų generatorius (Problem generator) siūlo problemas arba veiksmus, kurie generuos naujus pavyzdžius ar patirtį, kuri „treninruos“ sistemą tolimesniame jos darbe.
Save mokančių sistemų vykdymo greitis priklauso nuo:
• Pirminio sistemos klasifikatoriaus tikslumo.
• Mokymosi greičio.
• Sistemos tikslinimo greičio;
• Vietos reikalavimams.
Vienas bendriausių ir reikšmingiausių kriterijų yra sistemos tikslumas.
Save mokančių sistemų pagrindinės paradigmos:
• Mechaniškas mokymasis (rote-learning) Vienas prie vieno (One-to-one) įsiminimas iš įvedimų, į saugomą sritį. Mokymasis įsimenant.
• Induction – naudojasi specifiniais pavyzdžiais prieiti reikiamos išvados.
• Clustering
• Analogy. Determinuoti ryšį tarp dviejų skirtingų reprezentacijų.
• Discovery. Remiasi ir induktyviu bei deduktyviu mokymosi būdu, kuriame „agentai“ mokosi be jokios pagalbos iš „mokytojo“. Jis yra deduktyvus todėl, kad tenkina teoremų sąlygas, apie tokio mokymo teoremas. Be atitinkamo vadovo, specifinis uždavinys nebus duotas.
• Genetic algorithms
• Reinforcement. Tik gavus atsakomąją reakciją (teigiamą ar neigiamą) apie pabaigą veiksmų eilės. Reikalauja nustatyti atsaką į veiksmus, išsprendžiant problemą, kuris veiksmas bus pirmesnis ar reikšmingiausias galutiniam rezultatui.
Yra gana daug skirtingų mokymosi metodų:
• Speed-up learning – Šis mokymosi tipas yra deduktyvus mokymasis nereikalaujantis papildomo įvedimo, bet pagerinantis agentų (agents) darbo vykdymą laiku. Yra du sio mokymosi tipai rote learning and generalization. Informacijos „kešavimas“ (caching) yra kaip pavyzdys kaip šis mokymosi tipas yra panaudojamas.
• Learning by taking advice – Mokymasis iš patarimų. Taip pat deduktyvus mokymas, kuriame sistema priežastinga nauja informacija pridedama prie sistemos duomenų bazės.
• Learning from examples- Mokymasis iš pavyzdžių. Induktyvus mokymasis, kuris remiasi atskirais pavyzdžiais.
• Clustering ¬– Grupavimas. Be vadovavimo, induktyvus mokymasis, kuriame „naturalios klasės“ (natural classes) yra kuriamos atskirai informacijai, taip pat klasifikuojant tą informaciją.
• Learning by analogy – Induktyvus mokymasis, kuriame sistema transportuoja „žinias“ iš vienos duomenų bazės į kita, kuri yra skirtingame „domeine“ (domain).
• Discovery – Remesi ir induktviu bei deduktyviu mokymosi
būdu, kuriame „agentai“ mokosi be jokios pagalbos iš „mokytojo“. Jis yra deduktyvus todėl, kad tenkina teoremų sąlygas apie toki mokymą teoremas.
Induktyvumo tendencijos:
• Induktyvus mokymasis tai toks mokymosi tipas, kuriame yra pateikti pavyzdžiai ir agentai stengiasi apskaičiuoti reikiama rezultatą. Dauguma induktyvių mokymosi tipu pakraipų vadovaujasi mokymosi, kuris leidžiamas klasifikuoti pavyzdžiais. Induktyvaus mokymosi tendencija yra Toks mokymasis yra natūralus procesų nuspėjamumas, todėl kad bet kokia informacija kuriama generuojant iš specifinių faktų negali būti įrodoma tikrais faktais, ji gali būti įrodoma tik klaidingai. Vadinasi, induktyvios išvados yra klaidingai preserving.
• Apibendrinti kitus specifinius mokymo pavyzdžius, reikėtų šališkumo arba tendenciškumas apie funkcija yra geriausia.