maskinlärning

Maskinlärning är en disciplin inom artificiell intelligens som gör datorer och program kapabla att förbättra sin prestanda genom erfarenhet. Istället för att ett system följer tydliga regler skrivna av människor lär det sig mönster och samband ur data och kan därmed göra förutsägelser eller beslut på nya, osedda data.

Maskinlärning delas vanligtvis in i övervakad inlärning, där modellen tränas på par av indata och utdata; oövervakad inlärning, där strukturer i data upptäcks utan etiketter; samt förstärkningsinlärning, där en agent lär genom interaktion med en miljö och återkoppling i form av belöningar. Vanliga metoder inkluderar linjär och logistisk regression, beslutsträd och ensemblemetoder som random forest och gradient boosting, samt neurala nätverk och djupinlärning. Modeller tränas ofta med optimeringsmetoder som gradientnedstigning för att minimera en förlustfunktion.

Träning kräver lämpliga data, avgränsning och valutiering. Dela upp data i tränings-, validerings- och testsdelar för att bedöma generalisering och undvika överanpassning. Vanliga prestandamått är noggrannhet, precision och recall, F1-poäng, ROC-AUC för klassificering och medelkvadratfel för regression. Det är vanligt att använda korsvalidering och hyperparameterjustering.

Vanliga tillämpningar finns inom bild- och taligenkänning, naturlig språkbehandling, rekommendationssystem, identifiering av bedrägerier, medicinsk bildanalys och prediktiv analys i finans och industrin.

Etiska och samhälleliga frågeställningar inkluderar bias i data, rättvisa, transparens och tolkningsbarhet, integritet och säkerhet. Riktlinjer och regelverk växer fram för ansvarsfull användning, och forskning fokuserar på förklarbarhet, robusthet och dataförvaltning.