Hvad er Machine Learning? definition.

Machine learning er en anvendelse af kunstig intelligens (AI), der giver systemer mulighed for automatisk at lære og forbedre af erfaring uden at være eksplicit programmeret. Machine learning fokuserer på udviklingen af computerprogrammer, der kan få adgang til data og bruge dem til at lære for sig selv.

læringsprocessen begynder med observationer eller data, såsom eksempler, direkte erfaring eller instruktion, for at lede efter mønstre i data og træffe bedre beslutninger i fremtiden baseret på de eksempler, vi leverer. Det primære mål er at lade computere lære automatisk uden menneskelig indgriben eller hjælp og justere handlinger i overensstemmelse hermed.

men ved hjælp af de klassiske algoritmer for maskinindlæring betragtes tekst som en række nøgleord; i stedet efterligner en tilgang baseret på semantisk analyse den menneskelige evne til at forstå betydningen af en tekst.

nogle Machine Learning metoder

Machine learning algoritmer er ofte kategoriseret som overvåget eller uden opsyn.overvågede maskinlæringsalgoritmer kan anvende det, der tidligere er lært, på nye data ved hjælp af mærkede eksempler til at forudsige fremtidige begivenheder. Ud fra analysen af et kendt træningsdatasæt producerer læringsalgoritmen en udledt funktion til at forudsige outputværdierne. Systemet er i stand til at levere mål for ethvert nyt input efter tilstrækkelig træning. Læringsalgoritmen kan også sammenligne dens output med den korrekte, tilsigtede output og finde fejl for at ændre modellen i overensstemmelse hermed.

i modsætning hertil anvendes ikke-overvågede maskinlæringsalgoritmer, når de oplysninger, der bruges til at træne, hverken er klassificeret eller mærket. Uovervåget læring studerer, hvordan systemer kan udlede en funktion til at beskrive en skjult struktur fra umærkede data. Systemet finder ikke ud af det rigtige output, men det udforsker dataene og kan drage slutninger fra datasæt for at beskrive skjulte strukturer fra umærkede data.

Semi-overvåget maskinlæringsalgoritmer falder et sted imellem overvåget og uovervåget læring, da de bruger både mærkede og umærkede data til træning – typisk en lille mængde mærkede data og en stor mængde umærkede data. De systemer, der bruger denne metode, er i stand til at forbedre læringsnøjagtigheden betydeligt. Normalt vælges semi-overvåget læring, når de erhvervede mærkede data kræver dygtige og relevante ressourcer for at træne den / Lære af den. Ellers kræver erhvervelse af umærkede data generelt ikke yderligere ressourcer.forstærkning machine learning algoritmer er en læringsmetode, der interagerer med sit miljø ved at producere handlinger og opdager fejl eller belønninger. Forsøg og fejlsøgning og forsinket belønning er de mest relevante egenskaber ved forstærkningslæring. Denne metode gør det muligt for maskiner og programmelagenter automatisk at bestemme den ideelle adfærd inden for en bestemt kontekst for at maksimere dens ydeevne. Enkel belønningsfeedback er nødvendig for, at agenten kan lære, hvilken handling der er bedst; dette er kendt som forstærkningssignalet.

Machine learning muliggør analyse af massive datamængder. Mens det generelt leverer hurtigere, mere nøjagtige resultater for at identificere rentable muligheder eller farlige risici, det kan også kræve yderligere tid og ressourcer til at træne det ordentligt. Kombination af maskinlæring med AI og kognitive teknologier kan gøre det endnu mere effektivt til behandling af store mængder information.

vil du vide mere?

kontakt os Anmod om en DEMO

oprindeligt offentliggjort Marts 2017, opdateret maj 2020