Hva Er Maskinlæring? definisjon.

Maskinlæring Er en anvendelse av kunstig intelligens (AI) som gir systemer muligheten til automatisk å lære og forbedre fra erfaring uten å være eksplisitt programmert. Maskinlæring fokuserer på utvikling av dataprogrammer som kan få tilgang til data og bruke den til å lære for seg selv.læringsprosessen begynner med observasjoner eller data, for eksempel eksempler, direkte erfaring eller instruksjon, for å se etter mønstre i data og ta bedre beslutninger i fremtiden basert på eksemplene vi gir. Det primære målet er å la datamaskinene lære automatisk uten menneskelig inngripen eller hjelp og justere handlinger tilsvarende.Men ved å bruke de klassiske algoritmer for maskinlæring, er tekst betraktet som en sekvens av søkeord; i stedet, en tilnærming basert på semantisk analyse etterligner den menneskelige evne til å forstå betydningen av en tekst.

Noen Maskinlæringsmetoder

Maskinlæringsalgoritmer blir ofte kategorisert som overvåket eller uten tilsyn.Overvåkede maskinlæringsalgoritmer kan bruke det som har blitt lært tidligere på nye data ved hjelp av merkede eksempler for å forutsi fremtidige hendelser. Fra analysen av et kjent treningsdatasett produserer læringsalgoritmen en avledet funksjon for å gjøre spådommer om utgangsverdiene. Systemet er i stand til å gi mål for eventuelle nye innspill etter tilstrekkelig opplæring. Læringsalgoritmen kan også sammenligne sin utgang med riktig, beregnet utgang og finne feil for å endre modellen tilsvarende.

i motsetning brukes ikke-overvåkede maskinlæringsalgoritmer når informasjonen som brukes til å trene, ikke er klassifisert eller merket. Unsupervised learning studerer hvordan systemer kan utlede en funksjon for å beskrive en skjult struktur fra umerkede data. Systemet finner ikke ut riktig utgang, men det utforsker dataene og kan trekke avledninger fra datasett for å beskrive skjulte strukturer fra umerkede data.semi-overvåket maskinlæringsalgoritmer faller et sted mellom overvåket og uovervåket læring, siden de bruker både merkede og umerkede data for trening-vanligvis en liten mengde merkede data og en stor mengde umerkede data. Systemene som bruker denne metoden, kan forbedre læringsnøyaktigheten betydelig. Vanligvis velges semi-veiledet læring når de oppkjøpte merkede dataene krever dyktige og relevante ressurser for å trene den / lære av den. Ellers krever ikke anskaffelse av umerkede data vanligvis ekstra ressurser.Forsterkende maskinlæringsalgoritmer Er en læringsmetode som samhandler med omgivelsene ved å produsere handlinger og oppdager feil eller belønninger. Prøving og feiling søk og forsinket belønning er de mest relevante egenskapene til forsterkning læring. Denne metoden lar maskiner og programvareagenter automatisk bestemme den ideelle oppførselen i en bestemt kontekst for å maksimere ytelsen. Enkel belønning tilbakemelding er nødvendig for agenten å lære hvilken handling som er best; dette er kjent som forsterkningssignalet.

Maskinlæring muliggjør analyse av enorme mengder data. Selv om det generelt gir raskere, mer nøyaktige resultater for å identifisere lønnsomme muligheter eller farlige risikoer, kan det også kreve ekstra tid og ressurser for å trene det riktig. Kombinere maskinlæring med AI og kognitive teknologier kan gjøre det enda mer effektivt i behandling av store mengder informasjon.

vil du vite mer?

KONTAKT OSS BE OM EN DEMO

opprinnelig publisert Mars 2017, oppdatert Mai 2020