koneoppiminen on tekoälyn (AI) sovellus, joka tarjoaa järjestelmille kyvyn automaattisesti oppia ja kehittyä kokemuksesta ilman, että niitä erikseen ohjelmoidaan. Koneoppiminen keskittyy sellaisten tietokoneohjelmien kehittämiseen,jotka voivat käyttää dataa ja oppia sitä itse.
oppimisprosessi alkaa havainnoista tai datasta, kuten esimerkeistä, suorasta kokemuksesta tai opetuksesta, jotta voidaan etsiä datasta malleja ja tehdä tulevaisuudessa parempia päätöksiä antamiemme esimerkkien perusteella. Ensisijaisena tavoitteena on antaa tietokoneiden oppia automaattisesti ilman ihmisen väliintuloa tai apua ja säätää toimia sen mukaan.
mutta koneoppimisen klassisia algoritmeja käyttäen tekstiä pidetään avainsanojen jonona; sen sijaan semanttiseen analyysiin perustuva lähestymistapa jäljittelee ihmisen kykyä ymmärtää tekstin merkitys.
jotkut koneoppimisen menetelmät
koneoppimisen algoritmit luokitellaan usein valvotuiksi tai valvomattomiksi.
- valvotut koneoppimisalgoritmit voivat soveltaa aiemmin opittua uutta dataa käyttäen merkittyjä esimerkkejä tulevien tapahtumien ennustamiseen. Alkaen analyysi tiedossa koulutusaineistoa, oppimisen algoritmi tuottaa päätelty funktio tehdä ennusteita lähtöarvot. Järjestelmä pystyy asettamaan tavoitteet kaikelle uudelle panokselle riittävän koulutuksen jälkeen. Oppimisalgoritmi voi myös verrata tuotostaan oikeaan, aiottuun tuotokseen ja löytää virheitä muokatakseen mallia sen mukaisesti.
- sen sijaan valvomattomia koneoppimisalgoritmeja käytetään silloin, kun koulutuksessa käytettävää tietoa ei ole luokiteltu eikä merkitty. Valvomaton oppiminen tutkii, miten järjestelmät voivat päätellä piilotetun rakenteen kuvaavan toiminnon merkitsemättömästä datasta. Järjestelmä ei keksi oikeaa tulostetta, mutta se tutkii dataa ja voi tehdä datajoukoista päätelmiä kuvaamaan piilotettuja rakenteita merkitsemättömästä datasta.
- Puoliohjatut koneoppimisalgoritmit sijoittuvat jonnekin valvotun ja valvomattoman oppimisen välimaastoon, sillä ne käyttävät koulutukseen sekä merkittyä että merkitsemätöntä tietoa-tyypillisesti pieni määrä merkittyä dataa ja suuri määrä merkitsemätöntä dataa. Tätä menetelmää käyttävät järjestelmät pystyvät parantamaan oppimistarkkuutta huomattavasti. Yleensä puoliohjattu oppiminen valitaan, kun hankittu merkitty tieto vaatii ammattitaitoisia ja asiaankuuluvia resursseja, jotta se voidaan kouluttaa / oppia siitä. Muutoin merkitsemättömien tietojen hankkiminen ei yleensä vaadi lisäresursseja.
- Vahvistuskoneoppimisalgoritmit on oppimismenetelmä, joka on vuorovaikutuksessa ympäristönsä kanssa tuottamalla toimintoja ja löytää virheitä tai palkintoja. Yritys – ja virhehaku sekä viivästynyt palkitseminen ovat olennaisimmat vahvennusoppimisen ominaisuudet. Tämän menetelmän avulla koneet ja ohjelmistoagentit voivat Automaattisesti määrittää ihanteellisen käyttäytymisen tietyssä yhteydessä maksimoidakseen sen suorituskyvyn. Yksinkertaista palkitsemispalautetta tarvitaan, jotta agentti oppii, mikä toiminta on parasta; tätä kutsutaan vahvistussignaaliksi.
Koneoppiminen mahdollistaa massiivisten tietomäärien analysoinnin. Vaikka se yleensä tuottaa nopeammin ja tarkempia tuloksia, jotta voidaan tunnistaa kannattavia mahdollisuuksia tai vaarallisia riskejä, se voi myös vaatia lisäaikaa ja resursseja kouluttaa sitä asianmukaisesti. Koneoppimisen yhdistäminen tekoälyyn ja kognitiivisiin teknologioihin voi tehostaa suurten tietomäärien käsittelyä entisestään.
Haluatko oppia lisää?
CONTACT US REQUEST a DEMO
julkaistu alun perin maaliskuussa 2017, päivitetty toukokuussa 2020