Paul Downey | Flickr
Maskinlæring er en sætning, der bliver båndet om mere og mere ofte, men alligevel ved mange stadig ikke nøjagtigt, hvad det er . Der er selvfølgelig en grund til det. Det er stadig i sine meget tidlige stadier, og mange antager, at det ikke er noget, der berører den generelle befolkning endnu. Faktisk er det måske ikke så sandt, som nogle antager.
Så hvad er maskinlæring? Og hvad bruges det i dag? Her er vores guide til alt hvad du har brug for at vide om maskinlæring.
Hvad er maskinlæring?
Maskinlæring, ganske enkelt sagt, er en form for kunstig intelligens, der gør det muligt for computere at lære uden nogen ekstra programmering. Med andre ord er softwaren i stand til at lære nye ting på egen hånd, uden at en programmør eller ingeniør behøver at 'lære' det noget. Maskinlæring er i stand til at tage data og opdage mønstre og finde løsninger og derefter anvende disse løsninger på andre problemer.
Billede: K? Rlis Dambr? Ns | Flickr
Det er vigtigt at bemærke, at maskinlæring som et koncept slet ikke er nyt - det er svært at spore det nøjagtige oprindelse af konceptet i betragtning af at det er en, der smelter sammen og fra andre former for teknologi. Du kan hævde, at maskinlæring stammer helt tilbage til oprettelsen af Turing-testen, der blev brugt til at bestemme, om en computer havde intelligens. Det første computerprogram, der lærte, var imidlertid et brætspil, der blev udviklet i 1952 af Arthur Samuel. Dette spil blev bedre, jo mere det spillede.
Nyere teknologi forbedrer dog drastisk maskinlæring. For eksempel kræver maskinlæring kram mængder af processorkraft, så meget, at vi kun lige er begyndt at være i stand til at udvikle grundlæggende maskinlæring i nyere historie.
Der er et par hovedmåder, som programmører implementerer maskinlæring. Den første kaldes 'overvåget læring.' Hvad det dybest set betyder, er, at en maskine får problemer, hvor løsningen på problemet er kendt. Læringsalgoritmen er i stand til at modtage disse problemer sammen med de ønskede resultater, identificere mønstre i problemerne og handle i overensstemmelse hermed. Overvåget læring bruges ofte til at forudsige fremtidige begivenheder - f.eks. Når en kreditkorttransaktion kan være svigagtig.
Den anden implementering af maskinlæring kaldes 'uovervåget læring.' I dette tilfælde er resultatet af et problem ikke givet til softwaren - i stedet fødes det problemer og skal registrere mønstre i dataene. Målet her er at finde en struktur i de data, det gives.
For det tredje er 'semi-supervised learning'. Denne metode til maskinlæring bruges ofte til de samme ting som overvåget læring, men den tager data med en løsning og data uden. Semi-overvåget læring implementeres ofte, når midlerne er begrænset, og virksomhederne ikke er i stand til at levere komplette datasæt til læringsprocessen.
Sidst men ikke mindst er 'forstærkningslæring', der specifikt bruges til ting som spil og robotter. Forstærkningslæring læres grundlæggende gennem prøve og fejl - maskinen forsøger ting og lærer baseret på dens succeser eller fiaskoer. Målet her er, at maskinen skal finde ud af de bedst mulige resultater.
Naturligvis involverer alle disse metoder til maskinlæring fodring af en maskine hundreder af tusinder af problemer og enorme mængder data. Virkelig, jo flere data desto bedre.
Hvor bruges maskinlæring i dag?
Billeder af penge | Flickr
Faktisk er der masser af steder, hvor maskinlæring anvendes i dag. Mange af disse er bag kulisserne, men du kan blive overrasket over at vide, at mange af dem også er noget, du bruger hver eneste dag.
Måske er den, du bruger mest, i din personlige assistent - det er rigtigt, ligesom Siri og Google Now bruger maskinlæring, stort set for at bedre forstå talemønstre. Med så mange millioner mennesker, der bruger Siri, er systemet i stand til alvorligt at gå videre i, hvordan det behandler sprog, accenter og så videre.
Siri er selvfølgelig ikke den eneste forbrugers anvendelse af maskinlæring. En anden anvendelse er i bankvirksomhed, såsom opsporing af svig. For eksempel kan maskinlæringsalgoritmer spore udgiftsmønstre og bestemme, hvilke mønstre der er mere tilbøjelige til at være svigagtige baseret på tidligere svigagtig aktivitet.
Faktisk bruger din e-mail muligvis maskinlæring. For eksempel er spam-e-mails et problem, og de har udviklet sig over tid. E-mail-systemer bruger maskinlæring til at spore e-mail-mønstre fra spam, og hvordan spam-e-mails ændres, hvorefter de placeres i din spam-mappe baseret på disse ændringer.
konklusioner
Maskinlæring er indstillet til at være en stor del af, hvordan vi bruger teknologi fremover, og hvordan teknologi kan hjælpe os. Fra Siri til US Bank bliver maskinlæring mere og mere gennemgribende, og det vil sandsynligvis kun fortsætte.
