เป็นการยากที่จะให้คำนำหรือคำจำกัดความของแมชชีนเลิร์นนิงที่กระชับและถูกต้อง คำจำกัดความที่ผู้เชี่ยวชาญเฉพาะเรื่องให้ไว้นั้นเป็นคำจำกัดความทางเทคนิคมากเกินไป ตัวอย่างเช่น แมชชีนเลิร์นนิง ได้รับการนิยามโดย Stanford ว่าเป็น "ศาสตร์แห่งการทำให้คอมพิวเตอร์ทำงานโดยไม่ต้องตั้งโปรแกรมไว้อย่างชัดเจน" คำจำกัดความพื้นฐานดังกล่าวคือจุดที่ผู้เริ่มต้นที่ต้องการเรียนรู้ Machine Learning ด้วย Python ต้องเริ่มต้นการเดินทาง
การเรียนรู้ของเครื่องคือความสามารถของเครื่องจักรในการเรียนรู้สิ่งต่าง ๆ ด้วยตัวมันเอง หรือพูดง่ายๆ ก็คือ ข้อมูลจำนวนมหาศาลจะถูกป้อนเข้าไปในเครื่อง จากนั้นจะเรียนรู้ที่จะตีความ ประมวลผล และวิเคราะห์ข้อมูลโดยใช้อัลกอริธึมการเรียนรู้ของเครื่องเพื่อแก้ไขปัญหาในโลกแห่งความเป็นจริง คำถามที่ว่าเครื่องจักรทำงานอย่างไรในปัจจุบันได้ถูกหยิบยกขึ้นมา
แมชชีนเลิร์นนิง เป็นส่วนหนึ่งของปัญญาประดิษฐ์ ซึ่งมีการใช้กันอย่างแพร่หลายในการฝึกแมชชีน และแมชชีนยังได้รับการสอนเช่นเดียวกันว่าสามารถเลือกใช้ประสบการณ์ในอดีตในขณะที่จำเป็นได้อย่างไร เหตุผลหลักสำหรับ ML คือการสร้างแพ็คเกจแล็ปท็อปล่วงหน้าโดยไม่มีการแทรกแซงของมนุษย์ เครื่อง ML หรือแอปพลิเคชันที่ได้รับการศึกษาเรียกว่าโมเดลการเรียนรู้ของเครื่อง เวอร์ชันการเรียนรู้เครื่องจักรเป็นแอปพลิเคชันบนแล็ปท็อป โดยจะรับอินพุต หลังจากนั้นจะเรียนรู้จากความเพลิดเพลินและคาดการณ์เอาต์พุต รูปแบบ การคาดการณ์ ข้อมูลนำเข้า และประสบการณ์ในอดีตมีความสำคัญอย่างยิ่งต่อการวิจัยเครื่องจักรใดๆ การใช้สิ่งเหล่านี้ทั้งหมด เครื่องจักรถูกสร้างขึ้นโดยมีจุดประสงค์เพื่อทำการตัดสินใจเป็นประจำ (ไม่มีการใช้มนุษย์ในการตัดสินใจ) และอาจจ่ายเอาต์พุตตามนั้น ในเวอร์ชันการเรียนรู้ของเครื่อง สถิติแบบดิบจะถูกป้อน หลังจากนั้นเวอร์ชันการเรียนรู้ของเครื่องจะรู้ว่าป้อนสถิติ หลังจากนั้นจะคาดการณ์ผลลัพธ์ตามนั้น
"อ่านเพิ่มเติม"
