Universitatea din Oradea

Facultatea de Inginerie Electrică și Tehnologia Informației

Departamentul: Calculatoare și Tehnologia Informației
Specializarea: Calculatoare
Anul de studiu: III

Ce este Machine Learning?

Student:
Berce Emanuel-Vinicius

Oradea – 2022

1
 1. Ce este machine learning?

Machine learning (ML) este un subset al

inteligenței artificiale (AI) care se axează pe
construcția sistemelor care pot învăța – sau
își pot îmbunătăți performanțele – în funcție
de datele pe care le procesează. Inteligența
artificială este un termen vast care se referă
la sisteme sau mașini care imită inteligența
umană. Termenii machine learning
și AI sunt adesea puși în discuție împreună
și utilizați uneori în mod interschimbabil,
dar nu înseamnă același lucru. O diferență
importantă este aceea că, deși toate
sistemele machine learning sunt IA, nu toate
IA sunt machine learning.

Astăzi, machine learning lucrează peste tot

în jurul nostru. Atunci când interacționăm
cu băncile, cumpărăm online sau utilizăm
mediile de socializare, algoritmii de
machine learning intră în joc pentru a ne
crea o experiență eficientă, lină și sigură. Machine Learning și tehnologia aferentă se
dezvoltă rapid, deși suntem abia la începutul utilizării capacităților sale.

2. Tipuri de machine learning: două metode de învățare

Algoritmii sunt motoarele care propulsează Machine Learning. În prezent, se folosesc

cu precădere două tipuri principale de algoritmi de machine learning: machine learning
supravegheat și machine learning nesupravegheat. Diferența dintre cele două tipuri
constă în modul în care fiecare învață despre date pentru a face previziuni.

2.1 Machine learning supravegheat

Algoritmii de machine learning supravegheat sunt cei mai frecvent utilizați. Cu acest
model, un expert în date acționează ca un ghid și învață algoritmul ce concluzii ar
trebui să tragă. Așa cum un copil învață să identifice fructele prin memorarea lor dintr-
o carte ilustrată, pentru machine learning supravegheat,

2
algoritmul este instruit de un set de date care este deja etichetat și are o ieșire
predefinită.

Exemplele de machine learning supravegheat includ algoritmi precum regresia liniară

și logistică, clasificarea instanțelor și mașinile cu suport vectorial.

2.2 Machine learning nesupravegheat

Machine learning nesupravegheat utilizează o abordare mai independentă, în care un
computer învață să identifice procese și modele complexe, fără ajutorul unui om care
să ofere îndeaproape orientări în mod constant. Machine learning nesupravegheat
implică instruirea bazată pe date care nu au etichete sau o ieșire specifică, definită.

Pentru a continua analogia cu sistemul de învățare din copilărie, machine learning

nesupravegheat este similar cu un copil care învață să identifice fructele prin
observarea culorilor și modelelor, în loc să memoreze numele cu ajutorul unui
profesor. Copilul va căuta asemănări între imagini și le va separa în grupuri, atribuind
fiecărui grup propria etichetă nouă. Exemplele de algoritmi pentru machine learning
nesupravegheat includ gruparea în k clustere, analiza principală și independentă a
componentelor și regulile de asociere.

2.3 Alegerea unei abordări

Care este cea mai bună abordare pentru cerințele dvs.? Alegerea unui algoritm de
machine learning supravegheat sau nesupravegheat depinde, de obicei, de factorii
legați de structura și volumul datelor dvs. și de scenariul de utilizare la care doriți să îl
aplicați. Machine learning s-a dezvoltat într-o gamă largă de domenii, sprijinind o
varietate de obiective de afaceri și de scenarii de utilizare, printre care:

 valoarea ciclului de colaborare al clientului

 detectarea anomaliilor
 prețuri dinamice
 Întreținerea predictivă
 Clasificare imagini
 Motoare de recomandare

3
 3. Puterea anticiparii

O altă abilitate captivantă a Machine Learning o constituie capacitatea predictivă. În

trecut, deciziile de afaceri erau adesea luate pe baza rezultatelor istorice. Astăzi,
machine learning utilizează analize avansate de date pentru a anticipa ce se va
întâmpla. Organizațiile pot lua decizii de perspectivă, proactive, în loc să se bazeze pe
datele din trecut.

De exemplu, întreținerea predictivă poate permite companiilor din domeniul

producției, energiei sau din alte domenii să preia inițiativa și să se asigure că
operațiunile lor vor rămâne fiabile și optimizate. Într-un câmp petrolier cu sute de
sonde în funcțiune, modelele de machine learning pot detecta echipamentele care riscă
să se defecteze în viitorul apropiat și pot anunța din timp echipele de întreținere.
Această abordare nu numai că maximizează productivitatea, ci mărește performanța
activelor, timpul de funcționare și durata de viață. De asemenea, poate reduce riscul la
locul de muncă, poate diminua răspunderea și poate îmbunătăți respectarea
reglementărilor.

Beneficiile întreținerii predictive se extind la controlul și gestionarea inventarului.

Evitarea perioadelor de nefuncționare neplanificate ale echipamentelor prin
implementarea unei întrețineri predictive ajută organizațiile să estimeze mai exact
necesarul de piese de schimb și reparații – reducând semnificativ cheltuielile de capital
și de exploatare.

4
 4. Concluzii

Machine Learning oferă un potențial extraordinar pentru ca organizațiile să obțină

valoare de afaceri din bogăția datelor disponibile astăzi. Cu toate acestea, fluxurile de
lucru ineficiente pot încetini companiile în obținerea potențialului maxim al machine
learning.

Pentru a reuși la un nivel enterprise, machine learning trebuie să facă parte dintr-o
platformă cuprinzătoare, care să ajute organizațiile să-și simplifice operațiunile și să-și
implementeze modele la scară. Soluția potrivită le va permite organizațiilor să
centralizeze întreaga activitate privind știința datelor într-o platformă interactivă și să
accelereze utilizarea și gestionarea instrumentelor open source, a platformelor și a
infrastructurii.

5. Bibliografie

https://www.oracle.com/ro/data-science/machine-learning/what-is-machine-
learning/

https://en.wikipedia.org/wiki/Machine_learning