Indhold
- Definition - Hvad betyder maskinlæring?
- En introduktion til Microsoft Azure og Microsoft Cloud | Gennem denne vejledning lærer du, hvad cloud computing handler om, og hvordan Microsoft Azure kan hjælpe dig med at migrere og drive din virksomhed fra skyen.
- Techopedia forklarer Machine Learning
Definition - Hvad betyder maskinlæring?
Maskinlæring er en kunstig intelligens (AI) disciplin, der er rettet mod den teknologiske udvikling af menneskelig viden. Maskinlæring gør det muligt for computere at håndtere nye situationer via analyse, selvtræning, observation og oplevelse.
Maskinlæring letter kontinuerlig udvikling af computing gennem eksponering for nye scenarier, test og tilpasning, mens man bruger mønster- og trenddetektering til forbedrede beslutninger i efterfølgende (dog ikke identiske) situationer.
Maskinlæring forveksles ofte med data mining og videnopdagelse i databaser (KDD), der deler en lignende metode.
En introduktion til Microsoft Azure og Microsoft Cloud | Gennem denne vejledning lærer du, hvad cloud computing handler om, og hvordan Microsoft Azure kan hjælpe dig med at migrere og drive din virksomhed fra skyen.
Techopedia forklarer Machine Learning
Tom M. Mitchell, en pioner inden for maskinlæring og professor i Carnegie Mellon University (CMU), forudsagde udviklingen og synergien i læring af mennesker og maskiner. Dagens News Feed er et perfekt eksempel. Nyhedsfeeden er programmeret til at vise indholdet af brugervenheden. Hvis en bruger ofte mærker eller skriver på væggen hos en bestemt ven, ændrer News Feed sin opførsel for at vise mere indhold fra den ven.
Andre applikationer til maskinlæring inkluderer syntaktisk mønstergenkendelse, naturlig sprogbehandling, søgemaskiner, computersyn og maskineopfattelse.
Det er vanskeligt at gentage menneskelig intuition i en maskine, primært fordi mennesker ofte lærer og udfører beslutninger ubevidst.
Ligesom børn kræver maskiner en længere træningsperiode, når de udvikler brede algoritmer, der er rettet mod dikteret af fremtidig adfærd. Træningsteknikker inkluderer rote learning, parameterjustering, makrooperatører, chunking, forklaringsbaseret læring, klynger, fejlkorrektion, case-registrering, multiple model management, back propagation, forstærkning læring og genetiske algoritmer.