Алгоритам је нека врста контејнера. Обезбеђује кутију за чување методе за решавање одређене врсте проблема. Алгоритми обрађују податке кроз низ добро дефинисаних стања. Државе не морају бити детерминистичке, али су државе ипак дефинисане. Циљ је створити резултат који решава проблем. У неким случајевима, алгоритам прима улазе који помажу у дефинисању излаза, али фокус је увек на излазу.
Алгоритми морају изразити прелазе између стања користећи добро дефинисан и формалан језик који рачунар може да разуме. У обради података и решавању проблема, алгоритам дефинише, прерађује и извршава функцију. Функција је увек специфична за врсту проблема који алгоритам решава.
Свако од пет племена има различиту технику и стратегију за решавање проблема који резултирају јединственим алгоритмима. Комбиновање ових алгоритама би на крају требало да доведе до главног алгоритма који ће бити у стању да реши било који дати проблем. Следећа дискусија даје преглед пет главних алгоритамских техника.
Симболичко резоновање
Једно од најранијих племена, симболисти, веровало је да се знање може стећи оперисањем симбола (знаковима који означавају одређено значење или догађај) и извођењем правила из њих. Састављањем сложених система правила, могли бисте да постигнете логичку дедукцију резултата који сте желели да знате, тако да су симболисти обликовали своје алгоритме да производе правила из података. У симболичком расуђивању, дедукција проширује област људског знања, док индукција подиже ниво људског знања. Индукција обично отвара нова поља истраживања, док дедукција истражује та поља.
Везе по узору на неуроне мозга
Конекционисти су можда најпознатије од пет племена. Ово племе настоји да репродукује функције мозга користећи силицијум уместо неурона. У суштини, сваки од неурона (креиран као алгоритам који моделира пандан у стварном свету) решава мали део проблема, а коришћење многих неурона паралелно решава проблем у целини.
Употреба повратног ширења, или пропагације грешака уназад, настоји да одреди услове под којима се грешке уклањају из мрежа изграђених да личе на људске неуроне променом тежине (колико одређени улаз улази у резултат) и пристрасности(које карактеристике су изабране) мреже. Циљ је да се настави са променом пондера и предрасуда све док се стварни учинак не поклопи са циљним резултатом. У овом тренутку, вештачки неурон се активира и преноси своје решење на следећи неурон у реду. Решење које ствара само један неурон је само део целог решења. Сваки неурон преноси информације следећем неурону у реду све док група неурона не створи коначни излаз. Такав метод се показао најефикаснијим у задацима сличним људима као што су препознавање објеката, разумевање писаног и говорног језика и ћаскање са људима.
Еволуциони алгоритми који тестирају варијацију
Еволуционари се ослањају на принципе еволуције да би решили проблеме. Другим речима, ова стратегија се заснива на преживљавању најспособнијих (уклањање свих решења која не одговарају жељеном резултату). Функција фитнеса одређује одрживост сваке функције у решавању проблема. Користећи структуру дрвета, метод решења тражи најбоље решење на основу излаза функције. Победник сваког нивоа еволуције добија да изгради функције следећег нивоа. Идеја је да ће се следећи ниво приближити решавању проблема, али га можда неће решити у потпуности, што значи да је потребан други ниво. Ово посебно племе се у великој мери ослања на рекурзију и језике који снажно подржавају рекурзију за решавање проблема. Интересантан резултат ове стратегије су алгоритми који се развијају:
Бајесов закључак
Група научника, названа Бајесовци, схватила је да је неизвесност кључни аспект на који треба пазити и да учење није осигурано, већ се одвија као континуирано ажурирање претходних веровања која су постајала све тачнија. Ова перцепција је навела Бајесовце да усвоје статистичке методе и, посебно, деривације из Бајесове теореме, која вам помаже да израчунате вероватноће под одређеним условима (на пример, када видите карту одређеног семена, почетну вредност за псеудослучајни низ, извучен из шпила после три друге карте истог семена).
Системи који уче по аналогији
Анализатори користе машине кернела да препознају обрасце у подацима. Препознавањем шаблона једног скупа улаза и упоређивањем са шаблоном познатог излаза, можете креирати решење проблема. Циљ је да се помоћу сличности одреди најбоље решење за проблем. То је врста резоновања која утврђује да је коришћење одређеног решења функционисало у датим околностима у неком претходном тренутку; стога би коришћење тог решења за сличан скуп околности такође требало да функционише. Један од најпрепознатљивијих резултата овог племена су системи препорука. На пример, када купите производ на Амазону, систем препорука долази са другим, сродним производима које бисте такође желели да купите.
Крајњи циљ машинског учења је да комбинује технологије и стратегије које је прихватило пет племена како би се створио један алгоритам (главни алгоритам) који може научити било шта. Наравно, далеко је до остварења тог циља. Упркос томе, научници као што је Педро Домингос тренутно раде на том циљу.