Kategori: artificiell intelligens

– se maskininlärning.

[maskininlärning]

(machine learning) – träning av datorprogram i lösning en uppgift genom att man matar det med exempel. – Ett klassiskt fall är att lära datorprogram att känna igen motiv i bilder – katter, småbarn, bilar… Det är praktiskt taget omöjligt för en programmerare att skriva ett program som känner igen katter (eller småbarn, eller bilar) på bilder med hög träffsäkerhet och oavsett hur motivet är arrangerat. Det kanske bara är en del av motivet som visas. (Se faltningsnätverk.) Men man kan i stället använda maskininlärning och mata in massor med bilder på (till exempel) katter i datorn. Datorprogrammet är skrivet så att det letar efter sådant som är gemensamt för bilderna. Därefter sätter man programmet på prov genom att låta det bedöma bilder med och utan katter. Genom att program­met får veta när det svarar fel kan det modifiera sina inre regler och därmed höja träffsäkerheten. Maskininlärning kan användas på många områden, inte bara motivigenkänning. – De inre regler som skapas i maskininlärning brukar inte säga människor så mycket. – Artificiella neuronnät kan ses som en form av maskininlärning, men det finns andra sätt att göra det på. Det grundläggande är att man låter programmet upptäcka reglerna själv. – Läs också om djup­in­lär­ning samt övervakad inlärning och oövervakad inlärning.

[ai] [maskininlarning] [ändrad 29 september 2021]

i maskininlärning: det att en algoritm som har utvecklats med maskininlärning alltför precist speglar just de data som den har tränats på. – Vid överanpassning återskapar algoritmen den datamängd som den har tränats på i stället för att generera en modell som nya data kan passas in i. En kurva som avbildar en överanpassad modell kommer att ha ojämnheter och andra avvikelser med motsvarigheter i träningsmängden, medan en bra modell har en rak eller mjuk kurva som ger utrymme för nya data. – På engelska: overfitting. – Jämför med generalisering och algoritmisk snedvridning.

[ai] [ändrad 24 januari 2022]