Definisjon av matmaskinlæring

Det grunnleggende konseptet til matmaskin Læring i datavitenskap innebærer å bruke statistiske lærings- og optimaliseringsmetoder som lar datamaskiner analysere datasett og identifisere mønstre (se et visuelt av maskinlæring via R2D3 ekstern link). Maskinlæringsteknikker utnytter data mining for å identifisere historiske trender for å informere fremtidige modeller.

Den typiske overvåkede maskinlæringsalgoritmen består av (omtrent) tre komponenter:

En beslutningsprosess: En oppskrift på beregninger eller andre trinn som tar inn dataene og returnerer en "gjetning" på den typen mønster i dataene algoritmen din ser ut til å finne.
En feilfunksjon: en metode for å måle hvor god gjetningen var ved å sammenligne den med kjente eksempler (når de er tilgjengelige). Fikk beslutningsprosessen det riktig? Hvis ikke, hvordan kvantifiserer du "hvor dårlig" frøken var?
En oppdaterings- eller optimaliseringsprosess: der algoritmen ser på glippen og deretter oppdaterer hvordan beslutningsprosessen kommer til den endelige beslutningen, slik at neste gang Miss ikke blir like bra.
For eksempel, hvis du bygger en filmanbefaler, kan algoritmenes beslutningsprosess se på hvor lik en gitt film er til andre filmer du har sett og kommet med et vektingssystem for forskjellige funksjoner.

Under treningsprosessen går algoritmen gjennom filmene du har sett og vekter forskjellige egenskaper. Er det en sci-fi-film? Er det morsomt? Algoritmen tester deretter ut om det ender opp med å anbefale filmer som du (eller folk som deg) faktisk så på. Hvis det blir riktig, forblir vektene det brukte de samme; Hvis den tar en film feil, blir vektene som førte til at feil beslutning blir avvist slik at den ikke gjør den slags feil igjen.

Siden en maskinlæringsalgoritme oppdateres autonomt, forbedres den analytiske nøyaktigheten med hver kjøring når den lærer seg fra dataene den analyserer. Denne iterative naturen til læring er både unik og verdifull fordi den oppstår uten menneskelig inngripen - og gir evnen til å avdekke skjult innsikt uten å bli spesielt programmert til å gjøre det.

Hvis du er interessert i produktene våre, velkommen til å besøke / .