Maskininlärning

Från Wikipedia
Hoppa till: navigering, sök

Maskininlärning är ett delområde inom datavetenskap som utvecklats från studier av mönsterigenkänning och "computational learning theory" inom artificiell intelligens. Maskininlärning har allt mer kommit att sammansmälta med ämnet statistik.[1] Maskininlärning utforskar studier och konstruktioner av algoritmer som kan lära sig av och göra förutsägelser gällande data. Sådana algoritmer fungerar genom att bygga en modell från exempelinmatningar för att göra datadrivna prognoser eller beslut, istället för att följa strikt statiska programinstruktioner.[2]

Maskininlärning används bland annat inom robotik och programvaruutveckling.

Problem inom maskininlärning delas ofta in i två breda kategorier beroende på om det finns en signal att "lära sig" eller en "feeback" till systemet:

  • Övervakat lärande (supervised learning): Programmet får se exempel på indata och förväntad utdata som är givet av användaren. Målet är att programmet skall lära sig approximera en funktion som avbildar indata på utdata.
  • Oövervakat lärande (unsupervised learning): I detta fall finns det ingen förväntad utdata, dvs datan är omärkt. Programmet får således lära sig underliggande strukturer endast via indatan (och inte genom given förväntad utdata).

En annan kategorisering av maskininlärning uppstår när man betraktar den önskvärda utdatan:

  • Klassificering: indata delas upp i en eller flera klasser, och maskininlärningsalgoritmen klassificerar tidigare osedd data till en eller flera av dessa klasser. Detta problem angrips ofta med hjälp av övervakat lärande. Exempel på klassificering är spamfiltrering, där indata är e-post-meddelanden och klasserna är "spam" och "inte spam".
  • Regression: också ofta tacklat med hjälp av övervakat lärande. Istället för att ha diskreta klasser så är utdatan kontinuerlig.
  • Klustring: syftet med klustring är att indata skall delas upp i flera grupper. Skillnaden mot klassificering är att man inte vet vilka grupperna (eller klasserna) är i förväg. Detta är typiskt för oövervakat lärande.

Se även[redigera | redigera wikitext]

Referenser[redigera | redigera wikitext]

  1. ^ Efron, Bradley; Hastie, Trevor (2016). Computer Age Statistical Inference: Algorithms, Evidence and Data Science. https://web.stanford.edu/~hastie/pub.htm. Läst 7 september 2017 
  2. ^ ”Glossary of Terms Journal of Machine Learning”. ai.stanford.edu. http://ai.stanford.edu/~ronnyk/glossary.html. Läst 15 december 2015. 

Externa länkar[redigera | redigera wikitext]