Koneoppimisen ymmärtäminen
Koneoppimiseen kuuluu suurten tietomäärien syöttäminen algoritmiin, joka sitten käsittelee näitä tietoja löytääkseen kuvioita ja suhteita.
Jos esimerkiksi annat tekoälymallin, joka sisältää tietoja menneistä imurointitottumuksistasi ja kotisi asettelusta, tuloksia tuloksena saaneen mallin avulla voidaan ohjelmoida robotti-tyhjiö pyyhkäisemään matto samanlaisella kuviolla kuin sinä. Kuvitellaan, että monia näistä roboteista myytiin, ja kaikki niiden imurointitiedot lähetettiin takaisin kehittäjälle. Koneoppimisen avulla kuvioiden tunnistaminen voisi havaita entistä tehokkaampia liikkumismalleja ja optimoida polkuja kaikille robotti-imuille samalla tavalla.
Ensimmäisessä videossa opit ymmärtämään, mitä koneoppiminen on.
Koneoppiminen on tekoälytekniikka, joka luo ennakoivia malleja algoritmien avulla. Nämä mallit validoidaan tunnettujen tietojen avulla, mitataan tietyillä mittareilla ja säädetään tarvittaessa. Tätä oppimis- ja vahvistusprosessia kutsutaan koulutukseksi. Uudelleenkouluttelun avulla koneoppimismallit parantavat ylitöitä. On myös olemassa keskeisiä menetelmiä siitä, miten malleja koulutetaan, esimerkiksi valvottu oppiminen, valvomaton oppiminen ja vahvistusoppiminen.
Seuraavassa videossa opit näiden menetelmien välisen eron, ja tutustut niiden yhdistelmään kerroksittain, mitä kutsutaan syväoppimiseksi.