maskinlæring

Maskinlæring er en gren innen kunstig intelligens som fokuserer på å utvikle algoritmer som lar datamaskiner lære fra data og forbedre ytelse på oppgaver over tid uten at hvert trinn må programmeres eksplisitt.

Det deles vanligvis inn i veiledet læring, uveiledet læring og forsterkende læring. Veiledet læring bruker par av input og tilhørende ønsket utdata for å trene en modell, for eksempel å klassifisere bilder eller forutsi priser. Uveiledet læring finner strukturer i data uten forhåndsdefinerte etiketter, som å gruppere kunder i segmenter. Forsterkende læring lærer gjennom prøving og belønning ved å styre en agent i et miljø.

Data og prosess: modellene trenes på et datasett ved å justere parameterne for å minimere feilen, ofte ved hjelp av gradientbasert optimalisering. Det er vanlig å dele data i trenings-, validerings- og testsett for å måle generalisering. Overtilpasning oppstår når en modell lærer støy i treningsdataene og presterer dårlig på nye data.

Vanlige metoder inkluderer regresjon, klassifisering, klynging og dimensjonsreduksjon. Mer avanserte metoder bruker nevrale nettverk, inkludert dype nevrale nettverk som kan lære komplekse mønstre.

Bruksområder omfatter bilde- og talegjenkjenning, naturlig språkbehandling, anbefalingssystemer, medisinsk diagnostikk og finansielle prediksjoner.

Historie og utfordringer: Feltet har røtter tilbake til midten av 1900-tallet, med tidlige bidrag som perceptron og senere utvikling av backpropagation. Den senere perioden med dype læring har drevet store fremskritt. Viktige temaer i dag inkluderer datarelatert skjevhet, personvern, forklarbarhet og robusthet mot feil eller angrep, samt etisk og ansvarlig anvendelse.