Förstå maskininlärning
Maskininlärning innebär att mata in stora mängder data i en algoritm, som sedan bearbetar dessa data för att hitta mönster och relationer.
Om du till exempel tillhandahåller en AI-modell med data om dina tidigare dammsugningsvanor och layouten för ditt hem kan modellen som resulterar användas för att programmera ett robotvakuum för att sopa mattan i ett liknande mönster som du. Föreställ dig nu att många av dessa robotar såldes och överför alla sina dammsugningsdata tillbaka till utvecklaren. Genom att använda maskininlärning för att identifiera mönster kan du upptäcka ännu effektivare rörelsemönster och optimera sökvägar för alla robotdammsugare med samma design.
I den första videon får du en bättre förståelse för vad maskininlärning är.
Maskininlärning är en AI-teknik som använder algoritmer för att skapa förutsägelsemodeller. Dessa modeller verifieras mot kända data, mäts med specifika mått och justeras efter behov. Den här inlärnings- och valideringsprocessen kallas för utbildning. Genom omträning förbättrar maskininlärningsmodeller övertid. Det finns också viktiga metoder för hur du tränar modeller, till exempel övervakad inlärning, oövervakad inlärning och förstärkningsinlärning.
I nästa video lär du dig skillnaden mellan dessa metoder och introduceras till deras kombination i lager, så kallad djupinlärning.