تعلم الآلة

• Data science is a "concept to unify statistics, data analysis, machine learning and their related methods" in order to "understand and analyze actual phenomena" with data.
  ويُعرف علم البيانات بأنه " مفهوم قائم على توحيد الإحصاء، وتحليل البيانات وتعلم الآلة والوسائل المرتبطة بهم من أجل فهم وتحليل ظاهرة فعلية باستخدام البيانات".
• Prior to the emergence of machine learning algorithms, bioinformatics algorithms had to be explicitly programmed by hand which, for problems such as protein structure prediction, proves extremely difficult.
  قبل ظهور خوارزميات تعلم الآلة، كان لابد من برمجة خوارزميات المعلوماتية الحيوية بشكل صريح باليد، والذي ثبت لمشاكل مثل تنبؤ بالبنية البروتينية انه صعب للغاية.
• Machine learning has also been used for the problem of multiple sequence alignment which involves aligning many DNA or amino acid sequences in order to determine regions of similarity that could indicate a shared evolutionary history.
  كما تم استخدام تعلم الآلة لمشكلة تراصف السلسلة المتعدد والتي تنطوي على محاذاة العديد من تسلسل الحمض النووي أو الأحماض الأمينية من أجل تحديد مناطق التشابه التي يمكن أن تشير إلى تاريخ تطوري مشترك.
• Linear discriminant analysis (LDA) is a generalization of Fisher's linear discriminant, a method used in statistics, pattern recognition and machine learning to find a linear combination of features that characterizes or separates two or more classes of objects or events.
  تحليل التمييز الخطي هو تعميم لتحليل التمييز لفيشر وهو طريقة تستخدم في الإحصاء والتعرف على الأنماط وتعلم الآلة لإيجاد تركيبة خطية من الصفات التي تصنف أو تفصل صنفان أو أكثر من الأشياء أو الأحداث.
• Machine learning techniques such as deep learning enable the algorithm to make use of automatic feature learning which means that based on the dataset alone, the algorithm can learn how to combine multiple features of the input data into a more abstract set of features from which to conduct further learning.
  تقنيات تعلم الآلة مثل التعلم العميق يمكن الخوارزمية من استخدام تعلم الميزة التلقائي مما يعني أنه استنادا إلى البيانات وحدها، الخوارزمية يمكن أن تتعلم كيفية الجمع بين عدة ميزات من البيانات المدخلة الى مجموعة من الميزات أكثر تجريدا والتي يمكن من خلالها إجراء مزيد من التعلم.