Innholdsfortegnelse:
De siste årene har begrepet "maskinlæring" dukket opp i forskjellige diskusjoner og fora, men hva betyr det egentlig? Maskinlæring kan defineres som en metode for dataanalyse, basert på mønstergjenkjenning og beregningsmessig læring. Den består av forskjellige algoritmer som nevrale nettverk, beslutningstrær, Bayesiske nettverk, etc. Maskinlæring bruker disse algoritmene for å lære av data og gjenvinne skjult innsikt fra data. Læringsprosessen er iterativ, så de nye dataene blir også håndtert uten noe tilsyn. Vitenskapen om å lære av tidligere data og bruke dem til fremtidige data er ikke ny, men den får stadig mer popularitet.
Hva er maskinlæring?
Mens noen mennesker tror at maskinlæring ikke er bedre enn tradisjonelle metoder for dataprogrammering som fremdeles er i bruk, anser mange maskinlæring som en revolusjon innen kunstig intelligens (AI). De tror at ved bruk av denne teknologien vil maskiner være i stand til å lære ting og gjøre ting med sin egen erfaring, snarere enn å bare følge menneskelige instruksjoner.
For å forstå mer om betydningen av maskinlæring, kan vi sammenligne den med tradisjonell dataprogrammering. De følgende avsnittene vil diskutere mer om maskinlæring og forskjellen fra tradisjonell programmering. (For noen av fordeler og ulemper ved maskinlæring, se The Promises and Fallfalls of Machine Learning.)
