Sisältö
- Määritelmä - mitä koneoppiminen tarkoittaa?
- Johdanto Microsoft Azureen ja Microsoft Cloud | Tämän oppaan läpi opit mitä pilvipalvelussa on kyse ja kuinka Microsoft Azure voi auttaa sinua siirtämään ja johtamaan yritystä pilvestä.
- Techopedia selittää koneoppimisen
Määritelmä - mitä koneoppiminen tarkoittaa?
Koneoppiminen on tekoälyn (AI) kurinalaisuutta, joka on suunnattu ihmisten tietämyksen tekniseen kehitykseen. Koneoppimisen avulla tietokoneet voivat käsitellä uusia tilanteita analyysin, itsekoulutuksen, havainnoinnin ja kokemuksen avulla.
Koneoppiminen helpottaa laskennan jatkuvaa etenemistä altistumalla uusille skenaarioille, testaamalla ja mukauttamalla samalla, kun käytetään kuvioita ja trendihavaintoja parempien päätösten tekemiseksi myöhemmissä (tosin ei samanlaisissa) tilanteissa.
Koneoppiminen sekoitetaan usein tiedon louhintaan ja tiedon löytämiseen tietokannoissa (KDD), joissa on samanlainen menetelmä.
Johdanto Microsoft Azureen ja Microsoft Cloud | Tämän oppaan läpi opit mitä pilvipalvelussa on kyse ja kuinka Microsoft Azure voi auttaa sinua siirtämään ja johtamaan yritystä pilvestä.
Techopedia selittää koneoppimisen
Koneoppimisen edelläkävijä ja Carnegie Mellon University (CMU) -professori Tom M. Mitchell ennusti ihmisten ja koneiden oppimisen kehittymistä ja synergiaa. Nykypäivän uutissyöte on täydellinen esimerkki. Uutissyöte on ohjelmoitu näyttämään käyttäjän ystäväsisältöä. Jos käyttäjä usein merkitsee tai kirjoittaa tietyn ystävän seinälle, uutissyöte muuttaa käyttäytymistään näyttääkseen lisää ystävän sisältöä.
Muita koneoppimissovelluksia ovat syntaktinen kuvion tunnistus, luonnollisen kielen käsittely, hakukoneet, tietokoneen visio ja koneen havaitseminen.
Ihmisen intuitio on vaikea toistaa koneessa ensisijaisesti siksi, että ihmiset oppivat ja toteuttavat päätökset usein alitajuisesti.
Kuten lapset, koneet vaativat pidemmän harjoittelujakson kehitettäessä laajoja algoritmeja, jotka on suunnattu tulevaisuuden käyttäytymisen sanelemiseen. Harjoitustekniikoihin kuuluvat rote-oppiminen, parametrien säätäminen, makro-operaattorit, paloittelu, selityspohjainen oppiminen, klusterointi, virheenkorjaus, tapausten kirjaaminen, monimallin hallinta, takaisin eteneminen, vahvistusoppiminen ja geneettiset algoritmit.