Maskinindlæring er et område inden for datalogi, der betyder 'maskinindlæring'.
Det er en del af begrebet kunstig intelligens, der studerer måder, hvorpå maskiner kan udføre opgaver, der ville blive udført af mennesker.
Det er en programmering, der bruges i computere, dannet af foruddefinerede regler, der gør det muligt for computere at træffe beslutninger baseret på tidligere data og data brugt af brugeren.
Ifølge de programmer, der er foretaget, har computeren evnen til at træffe beslutninger, der f.eks. Kan løse problemer eller øge publikationer på internettet.
Hvordan fungerer maskinlæring?
Grundlaget for operationen er algoritmerne, som er definerede sekvenser sammensat af information og instruktioner, der vil blive fulgt af computeren.
Disse sekvenser giver computere mulighed for at træffe en beslutning i henhold til situationen og de oplysninger, der er indtastet i den.
Det er algoritmen, der indeholder information om, hvordan visse procedurer og operationer skal udføres, eller om hvordan en handling skal udføres.
Der er flere typer applikations- og programmeringssprog til brug af algoritmer. De varierer alt efter behovet, der vil blive opfyldt, eller formålet med den oprettede algoritme.
Typer af maskinindlæring
Der er to hovedtyper af maskinindlæring: overvåget læring og ikke-overvåget læring.
overvåget læring
I overvåget læring er der et tidligere sæt data indtastet i maskinen, og de forslag, der gives til brugeren, skal svare til de registrerede data.
Grundlæggende bruges oplysningerne til at forudsige et forventet resultat af brugeren eller til at klassificere de anvendte elementer.
Eksempel: et fotografi placeres i internetbrowseren, som søger for at finde information om billedets oprindelse eller andre lignende billeder.
uden opsyn læring
I ikke-overvåget læring er der intet specifikt forventet resultat, det vil sige, det er ikke muligt at forudsige resultaterne af krydsning af information.
I denne type læring grupperes dataene, og resultaterne ændres i henhold til variablerne.
Eksempel: i en bibliotekssøgemaskine er det muligt at få varierede resultater. Ændring af resultaterne afhænger af typen af søgning og de anvendte variabler, såsom bognavn, forfatternavn eller udgivelsesdato.
Se også betydningen af Kunstig intelligens.
Hvad er maskinindlæring til?
Maskinindlæring kan bruges til mange funktioner. En af de mest anvendte i dag er inden for sociale medier, internetsøgning og digital markedsføring.
For eksempel bruges maskinindlæringsalgoritmer til at komme med forslag til en internetbruger. De bruges i e-handelswebsteder, sociale netværk, spil, platforme til videolagring og applikationer til afspilning af musik.
I dette tilfælde bruger algoritmen dine sekvensdata og internetbrowserdata til at komme med nye forslag til brugeren. Brugerpræferencer under browsing og datadeling bruges til at foreslå programmer eller tjenester, der ligner hinanden.
Disse er mere almindelige anvendelser, men viden om maskinindlæring kan også anvendes i mange andre situationer, såsom:
- internetsøgninger,
- dataindsamling og analyse
- sporing af spam-beskeder,
- organisering og klassificering af information
- søg efter bedrageri på internettet.
Forskel mellem maskinelæring og dyb læring
Både maskinlæring og dyb læring er måder at bruge kunstig intelligens på. Men der er en forskel mellem dem, fordi dyb læring (hvilket betyder dyb læring) har karakteristika, der ligner den menneskelige læringskapacitet.
Deep learning bruger også forudsigelse af resultater fra etablerede data. Forskellen er, at dette sker mere præcist, mere som hvad der sker i en persons hjerne, fordi computeren kan tilpasse information mere fleksibelt.
Dette sker, fordi der ved dyb læring oprettes et kunstigt neuralt netværk, der fungerer svarende til netværket af neuroner i den menneskelige hjerne.
Det er dette netværk, der får maskinens funktion til at have mange ligheder med hjernens funktion og er i stand til at lære og fortolke information.
Se også betydningerne af software og Bitcoin.
