Maskininlärning

Helpful Books

Innehåller annonser

Om appen

Maskininlärning är ett datavetenskapligt fält som ger datorsystem förmågan att "lära sig" (dvs. successivt förbättra prestanda för en specifik uppgift) med data utan att programmeras uttryckligen.

Namnet Machine learning myntades 1959 av Arthur Samuel. Utvecklat från studien av mönsterigenkänning och beräkningsinlärningsteori i artificiell intelligens utforskar maskininlärning studier och konstruktion av algoritmer som kan lära av och göra förutsägelser på data - sådana algoritmer övervinns genom strikt statiska programinstruktioner genom att göra datadrivna förutsägelser eller beslut , 2 genom att bygga en modell från provingångar. Maskininlärning används i en rad datoruppgifter där det är svårt eller omöjligt att designa och programmera explicita algoritmer med bra prestanda. exempelapplikationer inkluderar e-postfiltrering, detektering av inkräktare på nätverket eller skadliga insiders som arbetar mot ett dataintrång, optisk teckenigenkänning (OCR), att lära sig rangordna och datorvision.

Maskininlärning är nära relaterad till (och överlappar ofta) beräkningsstatistik, som också fokuserar på förutsägelse genom användning av datorer. Det har starka band till matematisk optimering, som levererar metoder, teori och applikationsdomäner till fältet. Maskininlärning är ibland sammanflätat med datautvinning, där det senare delfältet fokuserar mer på utforskande dataanalys och är känt som icke övervakat lärande. vii Maskininlärning kan också övervakas och användas för att lära sig och upprätta beteendeprofiler för olika enheter och sedan användas för att hitta meningsfulla avvikelser.

Inom området dataanalys är maskininlärning en metod som används för att utforma komplexa modeller och algoritmer som lämpar sig för förutsägelse; i kommersiellt bruk är detta känt som prediktiv analys. Dessa analysmodeller gör det möjligt för forskare, datavetare, ingenjörer och analytiker att "producera tillförlitliga, repeterbara beslut och resultat" och avslöja "dolda insikter" genom att lära av historiska förhållanden och trender i datan.

Effektiv maskininlärning är svår eftersom det är svårt att hitta mönster och ofta inte tillräckligt med träningsdata är tillgängliga, maskininlärningsprogram levererar ofta inte.