コンピュータは引き継がれませんが、毎日スマートになっています
最も簡単な言葉で言えば、機械学習（ML）は、人間の開発者からの特別な入力なしに 、 データ （情報）を使用して独立してそのタスクを実行することによって、要求されたタスクを実行できるようにする機械
機械学習101
「機械学習」という用語は、 人工知能 （AI）とコンピュータゲームの先駆者であるArthur Samuelによって1959年にIBMラボで作成されました。 その結果、機械学習は人工知能の一分野である。 サミュエルの前提は、時間のコンピューティングモデルを逆さにして、コンピューターに物事を学ぶのを止めることでした。
その代わりに、彼はコンピュータが自分自身で物事を見つけ出すことを望んでいました。 その後、コンピュータはタスクを実行するだけでなく、実行するタスクと実行するタイミングを最終的に決めることができると彼は考えました。 どうして？ そのため、コンピュータは、特定の地域で人間が実行する必要がある作業の量を減らすことができます。
機械学習の仕組み
機械学習はアルゴリズムとデータを使用して動作します。 アルゴリズムとは、タスクを実行する方法をコンピュータまたはプログラムに指示する一連の命令またはガイドラインです。 MLで使用されるアルゴリズムは、データを収集し、パターンを認識し、そのデータの分析を使用して、タスクを完了するためにそれ自身のプログラムおよび機能を適合させる。
MLアルゴリズムは、ルールセット、ディシジョンツリー、グラフィカルモデル、自然言語処理、およびニューラルネットワーク（いくつか例を挙げると）を使用してデータの処理を自動化し、意思決定およびタスクを実行します。 MLは複雑なトピックになることがありますが、GoogleのTeachable Machineは、MLの仕組みを簡単に実演します。
ディープラーニングと呼ばれる機械学習の最も強力な形式は、膨大な量のデータに基づいてニューラルネットワークと呼ばれる複雑な数学的構造を構築します。 ニューラルネットワークは、人間の脳や神経系のプロセス情報の中で神経細胞の形をとった後にモデル化されたMLとAIのアルゴリズムセットです。
人工知能と機械学習とデータマイニング
AI、ML、およびデータマイニングの関係を最もよく理解するには、さまざまなサイズの傘のセットを考えるのが役に立ちます。 AIは最大の傘です。 MLの傘はより小さく、AIの傘の下に収まります。 データマイニングの傘は最小で、MLの傘の下に適合します。
- AIは、ヒューマンインテリジェンスをモデルとした推論や意思決定手法を使用して、コンピュータをよりインテリジェントなやり方で「ヒューマンライクな」方法で実行するようにプログラムすることを目的としたコンピュータサイエンスです。
- MLは、より自動化された方法でデータ駆動のインテリジェントな意思決定を行うために、プログラミング・マシン（コンピュータ）が学習する（必要なデータや例を収集する）ことに重点を置いたAI内のコンピューティングのカテゴリです。
- データマイニングは、統計情報、ML、AI、および膨大な情報データベースを使用してパターンを見つけ、洞察を提供し、分類を作成し、問題を特定し、詳細なデータ分析を提供します。
どのような機械学習ができるのか（そして既にあるのか）
コンピュータが膨大な量の情報を数秒で分析する能力は、時間と正確さが必要とされる多くの産業において有用である。
- 医学： ML技術は、救急医師が異常な症状の患者をより迅速に診断できるよう支援するなど、医療分野のソリューションの範囲で実施されています。 医師は、患者の症状のリストをプログラムに入力し、MLを使用することで、医学文献やインターネットから数百万テラバイトの情報を収集し、潜在的な診断と推奨される検査または治療のリストを記録的に返すことができます。
- 教育： MLは、より学習しやすい仮想学習アシスタントや電子教科書など、学生の学習ニーズに合わせて調整する教育ツールを作成するために使用されます。 これらのツールはMLを使用して、短いクイズや練習問題を使って理解できる概念やスキルを発見します。 ツールは、短期間のビデオ、追加の例、および背景資料を提供し、学生が必要なスキルや概念を学ぶのを支援します。
- 自動車： MLは、自家用車（ドライバーレス自動車または自律車とも呼ばれる）の新興分野において重要な要素でもあります。 自走車を運営するソフトウェアは、実際の道路テストとシミュレーションの両方でMLを使用して道路状況（凍結道路など）を検出したり、道路の障害物を特定したり、そのような状況を安全にナビゲートする適切な運転操作を学習します。
すでにMLに何度も遭遇している可能性があります。 MLテクノロジーのより一般的な用途には、実用的な音声認識（ SamsungのBixby 、AppleのSiri 、PC上で現在標準的なTalk-to-Textプログラム）、電子メールのフィルタリング、ニュースフィードの構築、詐欺の検出、パーソナライズショッピングの推奨事項を提供し、より効果的なウェブ検索結果を提供します。
MLはあなたのFacebookフィードにも関わっています。 あなたの友人のポストを頻繁に好きなときやクリックすると、アルゴリズムやMLがあなたの行動からあなたの行動から「覚えて」、ニュースフィードの特定の友人やページに優先順位をつけます。
学習することができない機械
しかし、MLができることには限界があります。 例えば、異なる産業におけるML技術の使用は、その業界が要求するタイプのタスクのためのプログラムまたはシステムを専門化するために、人間によるかなりの量の開発およびプログラミングを必要とする。 例えば、上記の医療例では、救急部で使用されているMLプログラムは、人のために特別に開発されました。 その正確なプログラムを獣医救急センターで直接実施することは現時点では不可能です。 そのような移行には、人間のプログラマによる広範な専門化と開発が必要であり、獣医学または動物薬のこの作業を行うことができるバージョンを作成する必要があります。
また、意思決定やタスクの実行に必要な情報を「学習」するために、膨大な量のデータと例が必要です。 MLプログラムはまた、データの解釈において非常にリテラルであり、象徴主義との闘いと、因果関係などのデータ結果内のいくつかの種類の関係もある。
しかし、継続的な進歩により、MLはよりスマートなコンピュータを毎日作り出す中心的な技術となっています。