Достижения и проблемы машинного обучения: всесторонний обзор моделей, библиотек, приложений и алгоритмов

В современном мире Интернета вещей, киберпространства, мобильных устройств, бизнеса, платформ социальных сетей, систем здравоохранения и других областей в сети доступен огромный объем данных. Машинное обучение (МО) необходимо для проведения интеллектуального анализа этих данных и разработки интеллектуальных автоматизированных приложений, использующих их. Существует множество различных типов алгоритмов машинного обучения; наиболее известными являются обучение с учителем, обучение без учителя, полуобучение и обучение с подкреплением. В статье рассматриваются различные типы задач машинного обучения и алгоритмы, применяемые для их решения. Основной вклад исследования заключается в более глубоком понимании теории, лежащей в основе многочисленных методов машинного обучения, и их практического применения в энергетике, здравоохранении, финансах, автономном вождении, электронной торговле и многих других областях. Статья призвана служить справочным ресурсом для академических исследователей, специалистов по анализу данных и инженеров по машинному обучению при выборе различных наборов данных и методов извлечения информации, определении наиболее подходящего алгоритма машинного обучения для конкретной задачи и оценке ожидаемых результатов. Кроме того, в статье представлены основные проблемы, связанные с построением моделей машинного обучения, и рассмотрены пробелы в исследованиях в этой области. Также приведен краткий обзор законов о защите данных и их положений в различных странах.