Tärningens ML

Machine Learning

Maskininlärning ("machine learning") är ett område inom artificiell intelligens. Det är 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 närliggande område som använder liknande statistiska metoder. Skillnaden är att maskininlärning ger förutsägelser som baseras på kända egenskaper genom att tränas på datat, medan datautvinning fokuserar på att upptäcka okända egenskaper i datat.

En definition av maskininlärning har skapats av Tom Mitchell, som 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".

Typer av problem och uppgifter

Problem inom maskininlärning delas ofta in i två större kategorier, beroende på situationen de används i:

  • Väglett lärande ("supervised learning"): Innebär lärande av mappning mellan indata och annoterad utdata ("Labeled data") i syfte att sedan förutspå utdata av tidigare osedd indata.

    För att exemplifiera denna typ av inlärning, föreställ dig en maskininlärningsmodell avsedd att fungera som ett skräppostfilter, det vill säga modellen är avsedd att känna igen och filtrera bort skräppost. Om denna modell tränas genom väglett lärande består träningsdatan av en mängd e-postmeddelanden, där varje e-postmeddelande är markerad som antingen "skräppost" eller "inte skräppost". Förutsatt att modellen tränas på rätt sätt med representativ data så kommer modellen lära sig att förutspå om ett tidigare osett e-postmeddelande bör markeras som "skräppost" eller inte.

  • Icke-väglett lärande ("unsupervised learning"): I detta fall finns det ingen utdata, och datorn får således lära sig underliggande strukturer endast via indatan (och inte genom någon given förväntad utdata).

    • Till dessa två kategorier läggs ofta en tredje kategori:

  • Förstärkningsinlärning ("reinforcement learning"): Denna typ av inlärning bygger på att en agent som befinner sig i en miljö och kan utföra olika handlingar lär sig att agera optimalt genom att tilldelas belöningar för olika handlingar och deras konsekvenser.

    Agentens mål är att maximera en (viktad) summa av erhållna belöningar, vilket åstadkoms genom att denna väljer handlingar dels för att öka kunskapen om vilka handlingar som medför vilka belöningar (till kostnaden av att de direkta belöningarna kan bli små), och dels genom att utnyttja tidigare erfarenheter av vilka handlingar som ger stora belöningar. Denna avvägning i valet av agerande brukar kallas utforskande-utnyttjande-avvägningen.

    • Typer av utdata

    En annan kategorisering av maskininlärning får man beroende på vilket format utdatan har:

  • Inom klassificering består utdatan av en eller flera klasser. Ett exempel på klassificering är spamfiltrering, där indata är e-post-meddelanden och utdatan är klasserna "spam" och "inte spam". Detta är typiskt för väglett lärande.

  • Inom regression tar utdatan kontinuerliga värden. Ett exempel på regression är att förutsäga vädret, där indata kan vara dagens väder och utdata temperaturen imorgon. Detta är typiskt för icke-väglett lärande.

  • Inom klustring är syftet att indata skall delas upp i flera grupper. En skillnad mot klassificering är att det inte är klart vilka grupper som finns i förväg. Detta är typiskt för icke-väglett lärande.

    Modeller

    En modell för maskininlärning är en typ av matematisk modell som kan "tränas" på en given datamängd för att göra förutsägelser eller klassificeringar av nytt data. Vid träningen anpassar en algoritm modellens parametrar iterativt för att minimera avvikelserna i dess förutsägelser.

    Det finns flera modeller att välja mellan. Några av de vanligaste:

  • Artificial neural networks
  • Decision trees
  • Random forest regression
  • Support-vector machines
  • Regression analysis
  • Bayesian networks
  • Gaussian processes

    källa: en.wikipedia.org/wiki/Machine_Learning

    Sidan skapad 18 mars 2025
    Sammanställt av Christer Tärning.