Μηχανική Μάθηση

"Συνήθως, τα δεδομένα αυτά τα παίρνεις, τα αναλύεις, τα αξιολογείς και φτιάχνεις ένα σύνολο δεδομένων προκειμένου να εκπαιδεύσεις ένα μοντέλο το οποίο ενδεχομένως σου λέει την ταχύτητα με την οποία επεκτείνεται μια φωτιά, αν λάβει παραμέτρους όπως είναι η φορά του ανέμου, η δύναμη του ανέμου κ.ο.κ. Οπότε, πρακτικά, έχεις ένα μοντέλο το οποίο είναι υπεύθυνο για να κάνει μια πολύ συγκεκριμένη δουλειά. Απ' την άλλη, έχεις ένα μοντέλο το οποίο είναι ένα πρόβλημα βελτιστοποίησης. Δηλαδή, αν έχω περιορισμένους πόρους, θέλω να μου βρεις την κατανομή των περιορισμένων αυτών πόρων προκειμένου να ελαχιστοποιήσω τον κίνδυνο, προκειμένου να μεγιστοποιήσω την ωφέλειά μου."

"Αν τα δεδομένα είναι λανθασμένα ή μεροληπτικά, τότε ισχύει απολύτως το γνωστό «garbage in, garbage out». Η μηχανική μάθηση βασίζεται στην ιδέα ότι τα συστήματα μαθαίνουν από προηγούμενες εμπειρίες για να ανταποκριθούν σε νέες καταστάσεις· αυτό όμως πρακτικά σημαίνει ότι η ποιότητα των αποφάσεων εξαρτάται άμεσα από την ποιότητα των δεδομένων."

"Στη δουλειά μου, η στατιστική και τα παραδοσιακά μοντέλα χρησιμοποιούνται όταν θέλουμε να κατανοήσουμε τα δεδομένα, να κάνουμε ελέγχους υποθέσεων και να εκτιμήσουμε πιθανότητες με βάση ιστορικά στοιχεία. Το machine learning, η μηχανική μάθηση δηλαδή, μπαίνει στο παιχνίδι όταν τα δεδομένα είναι πιο μεγάλα, πιο πολύπλοκα, ή όταν θέλουμε να ανακαλύψουμε μοτίβα και σχέσεις που δεν είναι εύκολο να δούμε με κλασικές μεθόδους."