Innholdsfortegnelse:
Av Justin Stoltzfus
Introduksjon
Flere ingeniører og andre fagpersoner kommer i gang med maskinlæring - de gjør tidlig forskning og bygger opprinnelige systemer, for å begynne å utforske hvordan dette feltet kunstig intelligens kan åpne for dører for enkeltpersoner og selskaper.
Imidlertid er det ganske forvirring gjennom hele prosessen. Hva er maskinlæring, uansett?
Den grunnleggende ideen er at nye teknologier gjør det mulig for maskiner å "tenke" og "lære" på måter som ligner mer på måtene som den menneskelige hjernen fungerer.
Når det er sagt, er det mer enn noen få måter å beskrive denne prosessen. For litt mer, la oss gå til StackOverflow, en bærebjelke for programmerere og andre IT-fagfolk som leter etter definisjoner og virkelige forklaringer på tekniske problemer. En StackOverflow-tråd beskriver maskinlæring som "prosessen med å lære datamaskiner å skape resultater basert på inputdata."
En annen forfatter beskriver maskinlæring som "et felt innen informatikk, sannsynlighetsteori og optimaliseringsteori som gjør det mulig å løse komplekse oppgaver som en logisk, prosessuell tilnærming ikke ville være mulig eller gjennomførbar."
Denne sistnevnte definisjonen treffer nær et viktig poeng på hva maskinlæring er - og ikke er.
Når forfatteren sier "en logisk, prosessuell tilnærming ikke ville være mulig eller gjennomførbar, " peker det på den virkelige "magien" og verdien av maskinlæring. Enkelt sagt er det “post-logikk” - maskinlæring går utover hva tradisjon, lineær og sekvensiell kodebaseprogrammering kan gjøre!
Når vi tar et skritt tilbake, kan vi se på de grunnleggende byggesteinene i maskinlæring for bedre å forstå hvordan.
Først er det treningsdata - treningsdataene gir programmets innspill å jobbe fra.
Sammen med treningsdataene er det algoritmer som knaster disse dataene og tolker dem på forskjellige måter. Eksperter beskriver det essensielle arbeidet med maskinlæring som "mønstergjenkjenning" - og du vil se dette på StackOverflow-siden også - men igjen, som bare delvis beskriver hvordan maskinlæring fungerer.
Neste: Neural Network
Innholdsfortegnelse
IntroduksjonNeural Network
Veiledet og uovervåket maskinlæring
Gradient Descent og Backpropagation
Typer nevrale nettverk
Ensemble Learning
Bruksområder og spillteori
Fem stammer av maskinlæringsapplikasjoner
Hvor går vi herfra?
