Innehållsförteckning:
Av Justin Stoltzfus
Introduktion
Fler ingenjörer och andra yrkesverksamma kommer igång med maskininlärning - de gör tidigt forskning och bygger initiala system för att börja utforska hur detta fält av konstgjord intelligens kan öppna dörrar för individer och företag.
Under hela processen finns det dock en hel del förvirring. Vad är maskininlärning i alla fall?
Grundtanken är att ny teknik gör det möjligt för maskiner att "tänka" och "lära sig" på sätt som liknar de sätt som den mänskliga hjärnan fungerar.
Som sagt, det finns mer än ett fåtal sätt att beskriva denna process. För lite mer, låt oss gå till StackOverflow, en grundpelare för programmerare och andra IT-proffs som letar efter definitioner och verkliga förklaringar av tekniska problem. En StackOverflow-tråd beskriver maskininlärning som "processen att lära datorer för att skapa resultat baserat på inmatningsdata."
En annan författare beskriver maskininlärning som "ett område inom datavetenskap, sannolikhetsteori och optimeringsteori som gör det möjligt att lösa komplexa uppgifter för vilka en logisk, procedurell inställning inte skulle vara möjlig eller genomförbar."
Denna senare definition träffar nära en viktig punkt på vad maskininlärning är - och inte är.
När författaren säger ”en logisk, procedurmässig metod skulle inte vara möjlig eller genomförbar”, pekar det på den verkliga ”magin” och värdet av maskininlärning. Enkelt sagt är det ”post-logik” - maskininlärning går utöver vad tradition, linjär och sekventiell kodbaserad programmering kan göra!
Genom att ta ett steg tillbaka kan vi titta på de grundläggande byggstenarna för maskininlärning för att bättre förstå hur.
Först finns det träningsdata - träningsdata ger programmets insatser att arbeta utifrån.
Tillsammans med träningsdata finns det algoritmer som knäcker dessa data och tolkar dem på olika sätt. Experter beskriver det väsentliga arbetet med maskininlärning som ”mönsterigenkänning” - och du ser detta på StackOverflow-sidan också - men återigen, som bara delvis beskriver hur maskininlärning fungerar.
Nästa: Neural Network
Innehållsförteckning
IntroduktionNeurala nätverket
Handledd och oövervakad maskininlärning
Gradient Descent och Backpropagation
Typer av nervnätverk
Ensemble Learning
Applications and Game Theory
Fem stammar för maskininlärningsapplikationer
Vart går vi härifrån?
