Maskinlæring
Maskinlæring er et underområde indenfor datalogi og kunstig intelligens, som sætter computere i stand til at lære, uden at man eksplicit har programmeret, hvordan læringen foregår. Maskinlæring tager udgangspunkt i data og forsker i, og konstruerer algoritmer, der på basis af en stor mængde eksempeldata, kan finde, sammenhænge, udarbejde forudsigelser og mønstre baseret på data.[1] Maskinlæring bliver ofte forvekslet med Deep learning, som er en del af maskinlæring. Deep learning er mønstergenkendelse igennem neurale netværk .[2]
Maskinlæringsalgoritmer kan opdeles i fem hovedskoler.[3]
- Symbolisterne, som arbejder med induktionsalgoritmer
- Connectionnisterne, der arbejder med backpropagation[-algoritmen] primært gennem [kunstige] neurale netværk
- Evolutionisterne, som arbejder med genetiske algoritmer
- Bayesianisterne, der arbejder med statistisk baserede algoritmer [4]
- Sammenlignerne, der arbejder med algoritmer baseret på at finde de nærmeste naboer [5]
Noter
[redigér | rediger kildetekst]- ^ Machine Learning: What it is and why it matters | SAS Denmark
- ^ https://towardsdatascience.com/deep-learning-vs-machine-learning-e0a9cb2f288
- ^ Pedro Domingos, Professor of computer science at the University of Washington in Seattle and recipient of the SIGKDD Innovation Award. [1] ? (Webside ikke længere tilgængelig) ?
- ^ en:Bayesian network
- ^ en:Cluster analysis, K-nærmeste naboer