Maskinindlæring
Hvad er maskinindlæring:
Maskinindlæring er et område inden for datalogi, som betyder "maskinindlæring".
Det er en del af begrebet kunstig intelligens, der undersøger måder for maskiner til at udgøre opgaver, der vil blive udført af mennesker.
Det er en programmering, der anvendes i computere, der er dannet af tidligere definerede regler, som gør det muligt for computere at træffe beslutninger baseret på de tidligere data og i data, som brugeren bruger.
Ifølge skemaer har computeren mulighed for at træffe beslutninger, der kan løse problemer eller øge publikationer på internettet.
Hvordan virker maskine læring?
Grundlaget for operationen er algoritmerne, som er sekvenser defineret og sammensat af information og instruktioner, der vil blive fulgt af computeren.
Disse sekvenser tillader computere at træffe en beslutning i henhold til situationen og med de oplysninger, der er blevet indlæst i den.
Det er algoritmen, der bærer information om, hvordan visse procedurer og operationer skal udføres, eller hvordan en handling skal udføres.
Der findes flere typer applikations- og programmeringssprog til brug af algoritmer. De varierer alt efter de behov, der vil blive opfyldt eller med det formål at skabe den algoritme.
Typer af maskinindlæring
Der er to hovedtyper af maskinindlæring: overvåget læring og ukontrolleret læring.
Overvåget læring
Ved undervisning er der et tidligere sæt data indført i maskinen, og de forslag, der skal gives til brugeren, skal svare til de registrerede data.
Grundlæggende bruges oplysningerne til at forudsige et resultat, der forventes af brugeren eller til at klassificere de anvendte elementer.
Eksempel: Et foto er placeret i internetbrowseren, som søger at finde oplysninger om oprindelsen af billedet eller andre lignende billeder.
Unservervised learning
I ikke-overvåget læring er der ikke noget specifikt forventet resultat, det er ikke muligt at forudsige resultaterne af krydshenvisning.
I denne type læring grupperes dataene, og resultaterne ændres i overensstemmelse med variablerne.
Eksempel: I en søgemaskine i et bibliotek er det muligt at opnå varierede resultater. Ændring af resultater afhænger af typen af søgning og de variabler, der bruges, f.eks. Bognavn, forfatternavn eller offentliggørelsesdato.
Se også betydningen af kunstig intelligens.
Hvad er maskinlæring for?
Maskinindlæring kan bruges til mange funktioner. En af de mest anvendte i dag er i sociale medier, internet søgning og digital markedsføring.
Maskininlæringsalgoritmer bruges til at fremsætte forslag til en internetbruger. De bruges i virtuelle handelswebsteder, sociale netværk, spil, videoopbevaringsplatforme og musikafspilningsprogrammer.
I dette tilfælde anvender algoritmen dataene i dens sekvenser og dataene i navigationens historie på internettet for at fremsætte nye forslag til brugeren. Brugerindstillinger under browsing og datadeling bruges til at foreslå lignende programmer eller tjenester.
Disse er mere almindelige anvendelser, men viden om maskinindlæring kan også anvendes i mange andre situationer, såsom:
- forskning på internettet
- indsamling og analyse af data,
- sporing af spambeskeder,
- organisation og klassificering af oplysninger,
- Søg efter bedrageri på internettet.
Forskel mellem maskinindlæring og dyb læring
Både maskinindlæring og dyb læring er måder at bruge kunstig intelligens på. Men der er forskel på dem, fordi dyb læring (som betyder dyb læring) har karakteristika, som ligner menneskets læringsevne.
Deep learning bruger også forudsigelse af resultater fra etablerede data. Forskellen er, at det sker mere præcist, mere som hvad der sker i en persons hjerne, fordi computeren kan tilpasse informationen mere fleksibelt.
Dette skyldes, at der ved dyb læring skabes et kunstigt neuralt netværk, som fungerer som netværket af neuroner i den menneskelige hjerne.
Det er dette netværk, der gør driften af maskinen, har mange ligheder med hjernens funktion og er i stand til at lære og fortolke information.
Se også betydningerne af Software og Bitcoin.
