To delo je na voljo pod pogoji slovenske licence Creative Commons 2.5:

priznanje avtorstva - nekomercialno - deljenje pod enakimi pogoji.

Celotna licenca je na voljo na spletu na naslovu http://creativecommons.org/licenses/by-nc-sa/2.5/si/. V skladu s to licenco je dovoljeno vsakemu uporabniku delo razmnoževati, distribuirati, javno priobčevati, dajati v najem in tudi predelovati, vendar samo v nekomercialne namene in ob pogoju, da navede avtorja oziroma avtorje in izdajatelja tega dela. Če uporabnik delo predela, kar pomeni, da ga spremeni, preoblikuje, prevede ali uporabi to delo v svojem delu, lahko predelavo dela ponudi na voljo le pod pogoji, ki so enaki pogojem iz te licence oziroma pod enako licenco.

Ne, ne vedno. Velik del algoritmov strojnega učenja so algoritmi za nadzorovano učenje (ang. supervised learning) ali algoritmi za nenadzorovano učenje (ang. unsupervised learning).

Če želite fotografijo razvrstiti kot fotografijo psa, mačke ali gorile, lahko stroju dodate veliko fotografij, označenih kot pes, mačka ali gorila. Ko želite oceniti esej, lahko dodate veliko popravljenih esejev, označenih z njihovimi ocenami. V vsakem primeru smo vnaprej vedeli, kakšen bo rezultat: pes, mačka, gorila, odlično, prav dobro, dobro, zadostno ...

Glede na označene podatke med usposabljanjem poskuša algoritem najti funkcijo ali matematični recept, če želite, ki se ujema z rezultatom in vhodnim podatkom. To pogosto pomeni tudi, da programer preizkuša različne algoritme, da bi ugotovil, kateri se najbolje ujema s funkcijo. Toda dokler imajo podatki oznake, te oznake delujejo kot »nadzornik« ali vodnik, ki preverja, ali funkcija, ki jo izbere algoritem, res deluje. Če funkcija daje rezultat, ki se razlikuje od označenega rezultata, mora algoritem najti boljšega.

Toda označevanje podatkov je dolgotrajen in drag proces, ki pogosto vključuje najemanje ljudi. Poleg tega, če le iščemo vzorce v podatkih in nimamo jasne predstave o tem, kakšen vzorec bomo našli, nam rezultat niti ni znan. Tako podatkov ni mogoče označiti. Tu nastopijo algoritmi nenadzorovanega učenja.

Namesto da bi poskušali uskladiti vhodni podatek z rezultatom, ti algoritmi poskušajo najti značilnosti v podatkih, ki bodo pomagale razvrstiti vhodne podatke v kategorije. Banke uporabljajo nenadzorovano strojno učenje za odkrivanje goljufivih aktivnosti pri transakcijah s kreditnimi karticami. Ker se vsako minuto zgodi ogromno transakcij in ne vemo, kako odkriti vzorce in označiti aktivnost kot goljufijo, se zanašamo na strojno učenje, da najde vzorec samodejno. Enako velja za iskanje teroristične aktivnosti glede na aktivnost teroristične celice v mreži.

Spodbujevano učenje (ang. Reinforcement learning) usposablja strojno učenje za sprejemanje odločitev, s katerimi dosega najbolj optimalne rezultate. Agent (naprava) se mora odločati na podlagi interakcije z okoljem (problemskim prostorom), tako da zaporedje njegovih odločitev doseže ciljno stanje, kljub temu da morda razpolaga tudi z drugimi informacijami, ki bi lahko vodile do drugačnih zaključkov. Pri tem posnema učni proces s poskusi in napakami, ki ga ljudje uporabljamo za doseganje svojih ciljev. Cilj spodbujevanega učenja je maksimizacija kumulativne vsote nagrad in s tem optimalni vedenjski vzorec v danih pogojih.