Maskininlärning (engelska: machine learning) är ett område inom artificiell intelligens, och därmed inom datavetenskapen.
Den här artikeln behöver fler eller bättre källhänvisningar för att kunna verifieras. (2018-12) Åtgärda genom att lägga till pålitliga källor (gärna som fotnoter). Uppgifter utan källhänvisning kan ifrågasättas och tas bort utan att det behöver diskuteras på diskussionssidan. |
Det handlar om metoder för att med data "träna" datorer att upptäcka och "lära" sig regler för att lösa en uppgift, utan att datorerna har programmerats med regler för just den uppgiften. Området angränsar till statistik, datorseende och mönsterigenkänning. Datautvinning (datamining) är ett betydelsenära begrepp som avser en kombiniation av maskininlärning och statistiska metoder för att upptäcka och visualisera mönster i stora mängder data.
Maskininlärningsmetoder arbetar med data. Ofta kan datan delas in i indata (den information som datorn får tillgång till) och utdata (det svar som datorn förväntas ge efter att ha bearbetat indatan). En definition av maskininlärning har skapats av Tom M. Mitchell. Han definierar de algoritmer som studeras inom maskininlärning som "ett datorprogram sägs lära av erfarenhet E givet en uppgift T och ett prestandamått P om dess prestanda på uppgiften T, mätt med P, ökar med erfarenhet E".
Maskininlärning är en viktig komponent av det bredare området artificiell intelligens som involverar skapandet av system och maskiner som kan utföra olika typer av uppgifter som normalt skulle kräva mänsklig intelligens. För att utveckla AI-system krävs maskininlärning för att träna systemen att bli mer kapabla och avancerade. Maskininlärning är därför en förutsättning för utvecklandet av AI-teknik då deras förmågor grundar sig i informationen och sätten de tränas på. En vanlig missuppfattning är att artificiell intelligens och maskininlärning är samma sak. Även om dessa områden har ett nära samband kan deras relation bäst beskrivas som att maskininlärning är en del av AI.
Problem inom maskininlärning delas ofta in i två större kategorier, beroende på situationen de används i:
Till dessa två kategorier läggs ibland en tredje kategori:
En alternativ kategorisering av maskininlärning får man beroende på vilket format utdatan har:
Ett kärnmål för en elev är att generalisera från sin erfarenhet. Generalisering i detta sammanhang är en inlärningsmaskins förmåga att utföra exakta nya, osynliga exempel/uppgifter efter att ha upplevt en inlärningsuppsättning. Träningsexemplen kommer från en allmänt okänd sannolikhetsfördelning (anses vara representativ för händelseutrymmet) och eleven måste bygga en allmän modell om detta utrymme som gör att den kan producera tillräckligt exakta förutsägelser i nya fall.
Maskininlärning används bland annat inom robotik, programvaruutveckling, självkörande bilar, medicinsk diagnostik och strömningstjänster på internet.
Många maskininlärningsalgoritmer finns implementerade i öppen programvara.
This article uses material from the Wikipedia Svenska article Maskininlärning, which is released under the Creative Commons Attribution-ShareAlike 3.0 license ("CC BY-SA 3.0"); additional terms may apply (view authors). Innehållet är tillgängligt under CC BY-SA 4.0 om ingenting annat anges. Images, videos and audio are available under their respective licenses.
®Wikipedia is a registered trademark of the Wiki Foundation, Inc. Wiki Svenska (DUHOCTRUNGQUOC.VN) is an independent company and has no affiliation with Wiki Foundation.