Indholdsfortegnelse:
Af Justin Stoltzfus
Introduktion
Flere ingeniører og andre fagfolk kommer i gang med maskinlæring - de laver den tidlige forskning og bygger indledende systemer for at begynde at undersøge, hvordan dette felt med kunstig intelligens kan åbne døre for enkeltpersoner og virksomheder.
Imidlertid er der gennem hele processen en hel del forvirring. Hvad er maskinlæring alligevel?
Den grundlæggende idé er, at nye teknologier gør det muligt for maskiner at "tænke" og "lære" på måder, der ligner mere måderne, som den menneskelige hjerne fungerer på.
Når det er sagt, er der mere end et par måder at beskrive denne proces. For lidt mere, lad os gå til StackOverflow, en grundpille for programmerere og andre it-fagfolk, der leder efter definitioner og reelle forklaringer på tekniske problemer. En StackOverflow-tråd beskriver maskinlæring som "processen med at undervise computere til at skabe resultater baseret på inputdata."
En anden forfatter beskriver maskinlæring som "et felt inden for datalogi, sandsynlighedsteori og optimeringsteori, der gør det muligt at løse komplekse opgaver, som en logisk, proceduremæssig tilgang ikke ville være mulig eller gennemførlig."
Denne sidstnævnte definition rammer tæt på et vigtigt punkt om, hvad maskinlæring er - og ikke er.
Når forfatteren siger ”en logisk, proceduremæssig tilgang ikke ville være mulig eller gennemførlig, ” peger det på den virkelige “magi” og værdien af maskinlæring. Kort sagt er det "post-logik" - maskinlæring går ud over, hvad tradition, lineær og sekventiel kodebaseprogrammering kan gøre!
Når vi tager et skridt tilbage, kan vi se på de grundlæggende byggesten i maskinlæring for bedre at forstå hvordan.
For det første er der træningsdata - træningsdataene giver programmets input til at arbejde ud fra.
Sammen med træningsdataene er der algoritmer, der knuser disse data og fortolker dem på forskellige måder. Eksperter beskriver det essentielle arbejde med maskinlæring som ”mønstergenkendelse” - og du vil også se dette på StackOverflow-siden - men igen, som kun delvist beskriver, hvordan maskinlæring fungerer.
Næste: Neural Network
Indholdsfortegnelse
IntroduktionDet neurale netværk
Overvåget og uovervåget maskinlæring
Gradient Descent og Backpropagation
Typer af neurale netværk
Ensemble Learning
Anvendelser og spilteori
Fem stammer af maskinlæringsapplikationer
Hvor går vi hen herfra?
