Maskininlärning är ett område inom datavetenskap som betyder 'maskininlärning'.
Det är en del av begreppet artificiell intelligens, som studerar sätt för maskiner att utföra uppgifter som skulle utföras av människor.
Det är en programmering som används i datorer, bildad av fördefinierade regler som gör att datorer kan fatta beslut baserat på tidigare data och data som användaren använt.
Enligt gjorda program har datorn förmågan att fatta beslut som kan lösa problem eller öka publikationer på Internet, till exempel.
Hur fungerar maskininlärning?
Grunden för operationen är algoritmerna, vilka är definierade sekvenser som består av information och instruktioner som kommer att följas av datorn.
Dessa sekvenser tillåter datorer att fatta ett beslut beroende på situationen och den information som har lagts in i den.
Det är algoritmen som innehåller information om hur vissa procedurer och operationer ska göras eller om hur en åtgärd ska utföras.
Det finns flera typer av applikations- och programmeringsspråk för att använda algoritmer. De varierar beroende på behovet som uppfylls eller syftet med den skapade algoritmen.
Typer av maskininlärning
Det finns två huvudtyper av maskininlärning: övervakat lärande och övervakat lärande.
övervakat lärande
Vid övervakad inlärning finns det en tidigare uppsättning data som matats in i maskinen och förslagen som kommer att ges till användaren måste likna de registrerade uppgifterna.
I grund och botten används informationen för att förutsäga ett förväntat resultat av användaren eller för att klassificera de element som används.
Exempel: ett fotografi placeras i webbläsaren som söker för att hitta information om bildens ursprung eller andra liknande bilder.
oövervakat lärande
I icke övervakat lärande finns det inget specifikt förväntat resultat, det vill säga det är inte möjligt att förutsäga resultaten av informationskorsningen.
I denna typ av inlärning grupperas data och resultaten ändras enligt variablerna.
Exempel: i en bibliotekssökmotor är det möjligt att få olika resultat. Att ändra resultaten beror på vilken typ av sökning som utförs och variablerna som används, såsom boknamn, författarnamn eller publiceringsdatum.
Se även innebörden av Artificiell intelligens.
Vad är maskininlärning för?
Maskininlärning kan användas för många funktioner. En av de mest använda nuförtiden är inom sociala medier, internetsökning och digital marknadsföring.
Till exempel används maskininlärningsalgoritmer för att föreslå en internetanvändare. De används på e-handelswebbplatser, sociala nätverk, spel, videolagringsplattformar och musikuppspelningsapplikationer.
I detta fall använder algoritmen din sekvensdata och webbhistorikdata för att göra nya förslag till användaren. Användarinställningar under surfning och datadelning används för att föreslå program eller tjänster som liknar varandra.
Dessa är vanligare användningar, men kunskaper om maskininlärning kan också tillämpas på många andra situationer, till exempel:
- internetsökningar,
- Datainsamling och analys,
- spåra skräppostmeddelanden,
- organisation och klassificering av information,
- söka efter bedrägerier på internet.
Skillnad mellan maskininlärning och Djup lärning
Både maskininlärning och djupinlärning är sätt att använda artificiell intelligens. Men det finns en skillnad mellan dem eftersom djupt lärande (vilket betyder djupt lärande) har egenskaper som liknar människans inlärningskapacitet.
Deep learning använder också förutsägelse av resultat från etablerade data. Skillnaden är att detta händer mer exakt, mer som vad som händer i en persons hjärna eftersom datorn kan anpassa information mer flexibelt.
Detta händer för att vid djupinlärning skapas ett artificiellt neuralt nätverk som fungerar liknande nätverket av nervceller i den mänskliga hjärnan.
Det är detta nätverk som gör att maskinens funktion har många likheter med hjärnans funktion och kan lära sig och tolka information.
Se även betydelserna av programvara och Bitcoin.
