Kort fortalt er Machine learning (ML) et videnskabelig felt, som giver computeren mulighed for autodidakt indlæring, uden at man behøver at programmere det. ML afhænger i høj grad af algoritmer og statistik. Man hører ofte om ML i sammenhæng med Big Data. Det er nemlig en forudsætning for at computeren selv kan lærer, at der er meget data. Faktisk har matematikken bag ML eksisteret i lang tid (1935 eller sådan noget), men det er først i takt med at computerkræfterne er steget, at ML har vundet indpas, da det kræver relativ meget computerkraft. ML kan for eksempel bidrage med.
AI vs ML VS DL
AI og ML minder om hinanden og bruges begge to oftest i forbindelse med Big Data. Men disse to emner dækker imidlertid over to forskellige fremgangsmåder og det er derfor vigtigt at man forstår tanke processen bag dem begge. AI er først og fremmest et langt bredere koncept end ML, og dækker derved over hele robotternes menneskelige efterlignelse ved brug af algoritmer mm. ML beskriver derimod kun faget, hvor computeren gennem fejl og træningen selv lærer at præcisere output. Før der er tale om ML, skal maskinen altså selv opdatere de pågældende algoritmer, som styrer output, efterhånden som de fodres med flere input.
En stor del af, at få computeren til at agere og tænke som et menneske bygger på neurale netværk
- AI: En teknik som gør det muligt for computere at efterligne menneskelig intelligens, ved at bruge logik, og Hvis-kommandoer, beslutningstræer, ML og DM
- ML: En underkategori af AI, som bygger på tungere statistiske teknikker, som gør det muligt for computeren at tage ved lærer af egne fejl. Denne kategori indeholder DL.
- DL: En underkategori af ML, som bygger på tunge algoritmer og stærk software, således at computeren selv at i stand til løse en opgave, såsom stemme- og billedegenkendelse mm. DL bygger på neurale netværk og kræver meget data.
Skriv et svar