Machine Learning

Vad är Machine Learning?

Det här inlägget är del två i serien ”Vad är AI?”. Om du inte redan har läst föregående inlägg rekommenderas det, för att komma till inlägget klicka här.

Idag har AI tagit form av algoritmer inom machine learning (ML). En algoritm är en funktion eller modell som ett datorprogram kan följa och köra. Förr var det ofta en programmerare som skapade en algoritm med regler och villkor som ett program sedan följde blint. Tanken med Machine Learning är att algoritmen själv lär sig att hitta mönster och regler kontinuerligt. Det är även ett måste när mängden data blir stor, då regler och mönster blir för komplexa att tolka för människor.

Men hur kan ett datorprogram lära sig saker som en människa kan? På samma sätt som en människa så måste algoritmen tränas för att klara av en viss uppgift givet vissa förutsättningar. All denna lärdom från upplevda erfarenheter måste sparas någonstans. Hos människor görs det i vår hjärna, som är ett komplext neuralt nätverk med neuroner och synapser. När en människa får ett intryck, exempelvis en bild, skickas information om bilden genom hjärnan. Om det är något vi har sett förut finns det förmodligen redan starka synapser (kopplingar) som gör att vissa neuroner får ett högt värde (vi förstår). Ett förenklat exempel på detta är att man enkelt kan urskilja en familjemedlem ur en stor grupp av människor, då man ofta har sett familjemedlemmen tidigare (tränat upp en stark koppling i nätverket) vilket ger en tydlig indikation. Fenomenet kallas för ”grandmother neuron”.

En grupp av algoritmer inom ML kallas för artificiella neurala nätverk (ANN) och försöker efterlikna ett riktigt neuralt nätverk som beskrivet ovan. Det genom att simulera neuroner som noder och synapser som viktade kopplingar. Som för en människa måste man träna nätverket med mycket data för att det ska kunna uppdatera vikterna bra (förstå).

Generellt sett kan själva lärandet förenklat gå till på tre sätt:
1. Unsupervised learning: Man hittar själv mönster och regler utan utomstående påverkan.
2. Supervised learning: Man lär sig av någon annan.
3. Reinforcement learning: Man har ett mål man strävar mot och testar olika sätt att försöka nå det, med en belöning beroende på hur väl man presterat.

I följande tre blogginlägg kommer vi att kolla mer på dessa olika sätt att lära, så håll utkik efter kommande blogginlägg.

För att komma till nästa inlägg i serien klicka här.

 

Machine Learning, AI, Artificell Intelligens, Artificial Intellegence

Victor Bäckman, Data Scientist, Advectas

Victor Bäckman
victor.backman@advectas.se
Jag som skrivit detta heter Victor och jobbar som Data Scientist på Advectas. Min bakgrund är teknisk fysik på Chalmers och har därefter jobbat på ett start-up i Göteborg. På Advectas har jag haft flera spännande projekt, bland annat inom prediktiv analys (ex. prognoser) och textanalys på svenska. Utöver Advectas har jag även lite av en entreprenöriell sida och drivit ett eget företag i många år.

Alla inlägg av Victor Bäckman

Besvara den svenska Business Intelligence- & Data Science-studien 2019

Till enkäten