Paul Downey | Flickr
Maskinlæring er en setning som blir stadig mer båndet om, men likevel vet mange fortsatt ikke nøyaktig hva det er . Det er selvfølgelig en grunn til det. Det er fremdeles i sine meget tidlige stadier, og mange antar at det ikke er noe som berører befolkningen for øyeblikket. Det er faktisk ikke så sant som noen antar.
Så hva er maskinlæring? Og hva brukes det i dag? Her er vår guide om alt du trenger å vite om maskinlæring.
Hva er maskinlæring?
Maskinlæring, ganske enkelt sagt, er en form for kunstig intelligens som lar datamaskiner lære uten ekstra programmering. Med andre ord, programvaren er i stand til å lære nye ting på egen hånd, uten at en programmerer eller ingeniør trenger å 'lære' den noe. Maskinlæring er i stand til å ta data og oppdage mønstre og finne løsninger og deretter bruke disse løsningene på andre problemer.
Bilde: K? Rlis Dambr? Ns | Flickr
Det er viktig å merke seg at maskinlæring som konsept i det hele tatt ikke er nytt - det er vanskelig å spore den nøyaktige opprinnelsen til konseptet med tanke på at det er en som smelter sammen og fra andre former for teknologi. Du kan hevde at maskinlæring går helt tilbake til opprettelsen av Turing-testen, som ble brukt for å avgjøre om en datamaskin hadde intelligens. Det første dataprogrammet som lærte, var imidlertid et brettespill, som ble utviklet i 1952 av Arthur Samuel. Dette spillet ble bedre jo mer det spilte.
Nyere teknologi forbedrer imidlertid drastisk maskinlæring. For eksempel krever maskinlæring enorme mengder prosessorkraft, så mye at vi bare har begynt å kunne utvikle grunnleggende maskinlæring i nyere historie.
Det er noen få måter programmerere implementerer maskinlæring. Den første kalles "veiledet læring." Det som i utgangspunktet betyr er at en maskin blir matet med problemer der løsningen på problemet er kjent. Læringsalgoritmen er i stand til å motta disse problemene sammen med de ønskede resultatene, identifisere mønstre i problemene og handle deretter. Overvåket læring brukes ofte til å forutsi fremtidige hendelser - for eksempel når en kredittkorttransaksjon kan være uredelig.
Den andre implementeringen av maskinlæring kalles 'unsupervised learning'. I dette tilfellet blir ikke utfallet av et problem programvaren gitt - i stedet mates det problemer og må oppdage mønstre i dataene. Målet her er å finne en struktur i dataene den er gitt.
For det tredje er "semi-supervised learning." Denne metoden for maskinlæring brukes ofte til de samme tingene som veiledet læring, men den tar data med en løsning og data uten. Semi-veiledet læring implementeres ofte når midler er begrenset og selskaper ikke kan levere fulle datasett for læringsprosessen.
Sist men ikke minst er 'forsterkningslæring', som brukes spesielt til ting som spill og roboter. Forsterkningslæring læres i utgangspunktet gjennom prøving og feiling - maskinen prøver ting og lærer basert på suksesser eller feil. Målet her er at maskinen skal finne ut best mulig utfall.
Selvfølgelig innebærer alle disse metodene for maskinlæring å mate en maskin hundretusenvis av problemer og enorme datamengder. Virkelig, jo mer data desto bedre.
Hvor brukes maskinlæring i dag?
Bilder av penger | Flickr
Egentlig er det mange steder maskinlæring brukes i dag. Mange av disse er bak kulissene, men du kan bli overrasket over å vite at mange av dem også er noe du bruker hver eneste dag.
Kanskje den du bruker mest i din personlige assistent - det stemmer, slike som Siri og Google Now bruker maskinlæring, i stor grad for å forstå talemønster bedre. Med så mange millioner mennesker som bruker Siri, er systemet i stand til å alvorlig komme videre i hvordan det behandler språk, aksenter og så videre.
Siri er selvfølgelig ikke den eneste forbrukerapplikasjonen for maskinlæring. En annen bruk er i bank, for eksempel oppdage svindel. For eksempel kan maskinlæringsalgoritmer spore bruksmønstre, bestemme hvilke mønstre som er mer sannsynlig å være uredelig basert på tidligere svindelaktiviteter.
Selv e-posten din bruker kanskje maskinlæring. For eksempel er spam-e-postmeldinger et problem, og de har utviklet seg over tid. E-postsystemer bruker maskinlæring for å spore e-postmønstre for spam og hvordan spam-e-poster endres, for deretter å legge dem i spam-mappen basert på disse endringene.
konklusjoner
Læring av maskiner er satt til å være en stor del av hvordan vi bruker teknologi fremover, og hvordan teknologi kan hjelpe oss. Fra Siri til US Bank blir maskinlæring stadig mer gjennomgripende, og det vil sannsynligvis bare fortsette.
