Maskininlärning är ett begrepp främst inom Artificiell Intelligens och därmed inom datavetenskap. Det är även ett område som är besläktat med, eller angränsar till, bland annat datorseende och mönsterigenkänning. Maskininlärning innebär att man lära datorer utföra uppgifter utifrån data utan att de behöver programmeras specifikt. Det är ett sätt att så att säga träna datorer att lösa en uppgift. Men datorn programmeras inte till att specifikt lösa just den uppgiften, utan måste istället själv lösa uppgiftre utifrån olika s.k. ”training data” data, främst uppställt som olika premisser. Maskininlärningssystem använder komplicerade algoritmer för att lära sig av enorma volymer data. Ju mer ”training data” algoritmerna har tillgång till, desto bättre lär sig systemet att lära sig mer.
Forskaren Tom Mitchell summerade maskininlärningens algoritmer enligt följande: ”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”.
Tre typer av maskininlärning
Man brukar dela in maskininlärning till tre olika typer:
Övervakad inlärning (supervised learning)
Innebär att man förfinar en algoritm. Man tränar datorn eller programmet med utgångspunkt i en datamängd och ett i förväg känt ”rätt svar”.
Oövervakad inlärning (unsupervised learning)
Innebär att programmet får fram en funktion beskrivande ej kategoriserade data, utan att något känt svar som facit.
Förstärkt inlärning (reinforcement learning)
Innebär att en mjukvara eller flera lär sig den rätta lösningen genom att prova sig fram och förstärka beteenden som leder till positivt resultat. Samtidigt försvagar detta beteenden som leder till negativt resultat.
Neuronnät och djupinlärning
Inom forskningsområden för maskininlärning skapar man neuronnät, vilket innebär artificiella neurala nätverk. Neuronnätverken är menade att efterlikna hur neuronerna fungerar i mänskliga hjärnor. Här använder sig datorprogram av lager av noder (Det är dessa som är ”neuronerna”) för att lära sig saker och känna igen mönster. Meningen är att datorns själva beslutandeprocess skall vara människoliknande sätt att fatta beslut. Man använder Neuronnätverk för att skapa djupinlärning, en avancerad form av maskininlärning. Här innehåller neuronnätet många neuronlager och har tillgång till enorma datavolymer.
Användningsområden för maskininlärning
Bland annat jordbruket, av bankerna, och i medicinsk diagnostik använder sig av maskininlärning. Detta finns faktiskt överallt omkring oss i vår egen vardag och fungerar i realtid. Detta rör sig om allt från sökmotorer, personanpassade rekommendationer i Amazon, rutnätsförslag i Google Maps och i ansiktsigenkänning.