Metody sztucznej inteligencji w zastosowaniu do przewidywania właściwości materiałów

Uczenie maszynowe

Uczenie maszynowe pozwala systemom sztucznej inteligencji na zdobywanie wiedzy, rozumowanie, podejmowanie decyzji a także wykonywanie zadań w sposób autonomiczny. Zdolności te nabywane są w wyniku procesu uczenia na dużych zbiorach danych wzorcowych i dokonywania przewidywań lub podejmowania decyzji bez jawnego programowania. Ponadto tradycyjne programowanie oparte na regułach obejmuje zdefiniowane zestawy zasad i warunków, których przestrzegają systemy sztucznej inteligencji.

Algorytmy uczenia maszynowego dominują w identyfikacji wzorców i relacji w danych, umożliwiając im dokonywanie dokładnych przewidywań lub podejmowanie odpowiednich działań w przypadku pojawienia się nowych, wcześniej niewidocznych danych wejściowych. Ta zdolność do uczenia się na podstawie danych i generalizowania na nowe przypadki jest kluczową cechą uczenia maszynowego a także przyczynia się do jego szerokiego zakresu zastosowań w różnych dziedzinach inżynierii [4]. Algorytmy uczenia maszynowego można ogólnie podzielić na cztery kategorie, uwzględniające uczenie nadzorowane, uczenie nienadzorowane, uczenie częściowo nadzorowane jak również uczenie ze wzmocnieniem (rys. 2).

Rys. 2. Klasyfikacja algorytmów sztucznej inteligencji

Głębokie uczenie odnosi się do algorytmów lub też modeli uczenia maszynowego. Wykorzystują szt...