maskininlärning är en tillämpning av artificiell intelligens (AI) som ger system möjlighet att automatiskt lära sig och förbättra av erfarenhet utan att uttryckligen programmeras. Maskininlärning fokuserar på utveckling av datorprogram som kan komma åt data och använda den för att lära sig själva.
inlärningsprocessen börjar med observationer eller data, såsom exempel, direkt erfarenhet eller instruktion, för att leta efter mönster i data och fatta bättre beslut i framtiden baserat på de exempel som vi tillhandahåller. Det primära målet är att låta datorerna lära sig automatiskt utan mänsklig intervention eller hjälp och justera åtgärder därefter.
men med hjälp av de klassiska algoritmerna för maskininlärning betraktas text som en sekvens av nyckelord; istället efterliknar ett tillvägagångssätt baserat på semantisk analys den mänskliga förmågan att förstå innebörden av en text.
vissa maskininlärningsmetoder
maskininlärningsalgoritmer kategoriseras ofta som övervakade eller oövervakade.
- övervakade maskininlärningsalgoritmer kan tillämpa det som har lärt sig tidigare på nya data med märkta exempel för att förutsäga framtida händelser. Med utgångspunkt från analysen av en känd träningsdataset producerar inlärningsalgoritmen en härledd funktion för att göra förutsägelser om utgångsvärdena. Systemet kan ge mål för alla nya insatser efter tillräcklig utbildning. Inlärningsalgoritmen kan också jämföra sin produktion med rätt, avsedd utgång och hitta fel för att modifiera modellen i enlighet därmed.
- däremot används oövervakade maskininlärningsalgoritmer när informationen som används för att träna varken klassificeras eller märks. Oövervakat lärande studerar hur system kan härleda en funktion för att beskriva en dold struktur från omärkta data. Systemet räknar inte ut rätt utgång, men det utforskar data och kan dra slutsatser från dataset för att beskriva dolda strukturer från omärkta data.Semi-övervakad maskininlärningsalgoritmer faller någonstans mellan övervakad och oövervakad inlärning, eftersom de använder både märkta och omärkta data för träning – vanligtvis en liten mängd märkt data och en stor mängd omärkt data. Systemen som använder denna metod kan avsevärt förbättra inlärningsnoggrannheten. Vanligtvis väljs semi-övervakad inlärning när den förvärvade märkta data kräver skickliga och relevanta resurser för att träna den / lära av den. Annars kräver inte förvärv av omärkta data i allmänhet ytterligare resurser.
- förstärkningsmaskininlärningsalgoritmer är en inlärningsmetod som interagerar med sin miljö genom att producera åtgärder och upptäcker fel eller belöningar. Försök och felsökning och försenad belöning är de mest relevanta egenskaperna hos förstärkningsinlärning. Denna metod gör det möjligt för maskiner och mjukvaruagenter att automatiskt bestämma det ideala beteendet inom ett specifikt sammanhang för att maximera dess prestanda. Enkel belöningsåterkoppling krävs för att agenten ska lära sig vilken åtgärd som är bäst; detta kallas förstärkningssignalen.
maskininlärning möjliggör analys av stora mängder data. Även om det i allmänhet ger snabbare och mer exakta resultat för att identifiera lönsamma möjligheter eller farliga risker, kan det också kräva ytterligare tid och resurser för att träna det ordentligt. Att kombinera maskininlärning med AI och kognitiv teknik kan göra det ännu effektivare vid bearbetning av stora mängder information.
Vill du lära dig mer?
kontakta oss begär en DEMO
ursprungligen publicerad mars 2017, uppdaterad maj 2020