Maskininlärning Flashcards
Maskininlärning
Gren inom AI med algoritmer som gör det möjligt för datorn att förbättra sig efter sin egen prestanda
Overtraining
Vill inte att maskinen ska lära sig till fullo, den kommer då inte ta in ny data
Syftet med MI?
Fatta beslut och göra antaganden om framtiden
Utifrån det som maskinen tidigare lärt sig
Nackdel om man väljer fel algorithm?
Kostsamt i tid och pengar
Vad kallas det som tränas
Modeller
Single layer perceptron
EN modell som träns med bara ett lager
Straightforward machine learning
Viss input leder till viss output
- För raka nätverk
Söker man vid machine learning efter data?
Nej, man använder data som redan är funnen och tilldelad
Epok
Varje omgång som modellen går igenom under träningen:
- Data samlas in
- 20% av datan sparas undan för utvärdering
- Modellen tränas, expanderas till mer data
- Modellen utvärderas
Träningsdata
Den data som modellen får träna på
Testdata
Den data som sparas undan för att testa den tränade modellens prestation på
Supervised learning
Varje exempel i träningsdatan har tillhörande mål som modellen kan lära sig genom
Unsupervised learning
Finns inget tillhörande mål
Modellen måste hitta mönster utan vägledning
Bästa algorithmen för inlärning
Decision trees
MNST
Dataset med handskriva siffror för att modellen ska kunna träna på siffrorna
- Mål avgöra vilken siffra det är
