Maskinlæring er et område innen informatikk som betyr 'maskinlæring'.
Det er en del av begrepet kunstig intelligens, som studerer måter for maskiner å utføre oppgaver som ville bli utført av mennesker.
Det er en programmering som brukes i datamaskiner, dannet av forhåndsdefinerte regler som lar datamaskiner ta beslutninger basert på tidligere data og data som er brukt av brukeren.
I følge programmer laget, har datamaskinen muligheten til å ta beslutninger som for eksempel kan løse problemer eller øke publikasjoner på internett.
Hvordan fungerer maskinlæring?
Operasjonsgrunnlaget er algoritmer, som er definerte sekvenser sammensatt av informasjon og instruksjoner som vil bli fulgt av datamaskinen.
Disse sekvensene lar datamaskiner ta en beslutning i henhold til situasjonen og informasjonen som er lagt inn i den.
Det er algoritmen som bærer informasjon om hvordan visse prosedyrer og operasjoner skal gjøres eller om hvordan en handling skal utføres.
Det finnes flere typer applikasjons- og programmeringsspråk for bruk av algoritmer. De varierer avhengig av behovet som blir oppfylt eller formålet med algoritmen som er opprettet.
Typer maskinlæring
Det er to hovedtyper av maskinlæring: veiledet læring og læring uten tilsyn.
veiledet læring
I veiledet læring er det et tidligere sett med data som er lagt inn i maskinen, og forslagene som blir gitt til brukeren må være lik de registrerte dataene.
I utgangspunktet brukes informasjonen til å forutsi et forventet resultat av brukeren eller til å klassifisere elementene som brukes.
Eksempel: et fotografi plasseres i nettleseren som søker etter informasjon om opprinnelsen til bildet eller andre lignende bilder.
uten tilsyn læring
I læring uten tilsyn er det ikke noe spesifikt forventet resultat, det vil si at det ikke er mulig å forutsi resultatene av kryssing av informasjon.
I denne typen læring grupperes dataene og resultatene endres i henhold til variablene.
Eksempel: i en søkemotor for biblioteket er det mulig å få varierte resultater. Endring av resultatene avhenger av typen søk som er utført og variablene som brukes, for eksempel boknavn, forfatternavn eller utgivelsesdato.
Se også betydningen av Kunstig intelligens.
Hva er maskinlæring til?
Maskinlæring kan brukes til mange funksjoner. En av de mest brukte i dag er i sosiale medier, internetsøk og digital markedsføring.
For eksempel brukes maskinlæringsalgoritmer til å komme med forslag til en internettbruker. De brukes i netthandelsnettsteder, sosiale nettverk, spill, videolagringsplattformer og applikasjoner for musikkavspilling.
I dette tilfellet bruker algoritmen sekvensdata og nettlesingshistorikkdata for å komme med nye forslag til brukeren. Brukerpreferanser under surfing og datadeling brukes til å foreslå programmer eller tjenester som er like.
Dette er mer vanlige bruksområder, men kunnskap om maskinlæring kan også brukes i mange andre situasjoner, for eksempel:
- internett-søk,
- datainnsamling og analyse,
- sporing av spam-meldinger,
- organisering og klassifisering av informasjon,
- søke etter svindel på internett.
Forskjell mellom maskinlæring og dyp læring
Både maskinlæring og dyplæring er måter å bruke kunstig intelligens på. Men det er en forskjell mellom dem fordi dyp læring (som betyr dyp læring) har egenskaper som ligner mer på menneskelig læringskapasitet.
Dyp læring bruker også prediksjon av resultater fra etablerte data. Forskjellen er at dette skjer mer presist, mer som det som skjer i en persons hjerne fordi datamaskinen kan tilpasse informasjon mer fleksibelt.
Dette skjer fordi i dyp læring opprettes et kunstig nevralt nettverk som fungerer på samme måte som nettverket av nevroner i den menneskelige hjerne.
Det er dette nettverket som gjør at maskinens funksjon har mange likheter med hjernens funksjon og er i stand til å lære og tolke informasjon.
Se også betydningen av programvare og Bitcoin.