Maskinlæring

Maskinlæring (frå engelsk machine learning, ML) er eit fagfelt der ein utviklar, undersøker og nyttar algoritmar som lærer frå data, i staden for å bli programmert med faste reglar. Slike læringsalgoritmar byggjer ofte på statistiske metodar og matematiske metodar, og blir brukte til å løyse problem der det er vanskeleg å spesifisere reglane på førehand, men der ein har eksempeldata som illustrerer ønskte resultat. Maskinlæring er nært knytt til kunstig intelligens, men ikkje alle maskinlæringsmetodar fell innanfor KI. Faget kombinerer algoritmeteori og teori frå matematisk optimalisering og statistisk modellering.

Ein maskinlæringsmodell er ein databasert representasjon av kunnskap henta frå data – typisk lagra som ei fil med parametrar og struktur som kan lastast inn og brukast for nye førespurnader. Under trening lærer algoritmen ved å konstruere modellen som generaliserer frå døma han får, slik at han kan gjere prediksjonar eller ta avgjerder i nye situasjonar. Etter trening kan modellen brukast til oppgåver som føreseiing, rådgjeving og automatiserte avgjerder – utan at kunnskapen er lagt inn manuelt.

For at ein modell skal reknast som lærande, må han kunne tilpasse seg erfaring og forbetre prestasjonen sin over tid. Det inneber at handlingane modellen legg til grunn, blir vurderte etter resultata dei fører til – slik at positive utfall blir påskjønna og uheldige blir straffa. Sjølve læringsalgoritmen er vanlegvis fastprogrammert, men kan skiftast ut av utviklarar dersom det er behov for vedlikehald, forbetringar eller tilpassing til nye problemstillingar.

Underdomene av maskinlæring

Det finst tre hovudtypar av maskinlæring: rettleia læring (supervised learning), ikkje-rettleia læring (unsupervised learning) og forsterkande læring (reinforcement learning).

Ved rettleia læring får algoritmen eit datasett der kvar input er para med ein korrekt output (såkalla «merke» eller label). Målet er at modellen skal lære å forutsjå output for nye, ukjende input basert på tidlegare døme.

I ikkje-rettleia læring er data ikkje merkt – det vil seie at algoritmen får input utan tilhøyrande output. Her prøver modellen å finne skjulte mønster i data, til dømes ved å gruppere liknande datapunkt saman (klynging), eller ved å redusere kompleksiteten i datasettet gjennom teknikkar som dimensjonsreduksjon.

Forsterkande læring skil seg frå dei to andre ved at ein agent lærer gjennom interaksjon med eit miljø. Agenten tek avgjerder og får tilbakemelding i form av belønning eller straff, og målet er å lære ei strategi som maksimerer samla belønning over tid. Denne læringsforma vert mykje brukt innan robotikk og spelutvikling.

Bruksområde

Maskinlæring blir nytta innan ei rekkje felt, som til dømes beslutningsstøtte og dataanalyse som datautvinning, stemmeattkjenning, automatisk føring av køyretøy, og andre situasjonar der manuell programmering er upraktisk.

Døme på konkrete bruksområde inkluderer spamfilter, medisinske diagnosar, kredittkortsikring, aksjemarknadssanalysar, klassifisering av nukleotidsekvensar (skildring av sekvensar av basane i DNA og RNA), og språk- og tekstanalyse.

Ordsoge

Omgrepet «maskinlæring» (machine learning) vart introdusert av den amerikanske datavitskapsmannen Arthur Samuel i 1959. Samuel, som arbeidde hos IBM, utvikla eit dataprogram for å spele sjakk, og brukte dette som eit døme på korleis ei datamaskin kunne forbetre ytinga si gjennom erfaring, utan å vere eksplisitt programmert for kvar enkelt situasjon. Ideen om lærande maskinar eksisterte før 1959, mellom anna er den britiske matematikaren Alan Turing knytt til ideen.

Kjelder

• Denne artikkelen bygger på innleiinga av «Maschinelles Lernen» frå Wikipedia på tysk den 10. april 2025.

Bakgrunnsstoff

Commons har multimedium som gjeld: Maskinlæring