Sisällysluettelo:
Viime vuosina termi “koneoppiminen” on noussut esiin erilaisissa keskusteluissa ja foorumeissa, mutta mitä se oikein tarkoittaa? Koneoppiminen voidaan määritellä datanalyysimenetelmäksi, joka perustuu kuvioiden tunnistamiseen ja laskennalliseen oppimiseen. Se koostuu erilaisista algoritmeista, kuten hermoverkot, päätöksentekopuut, Bayesin verkot jne. Koneoppimisessa käytetään näitä algoritmeja oppia tiedoista ja palauttaa piilotetut käsitykset tiedoista. Oppimisprosessi on iteratiivinen, joten uutta tietoa käsitellään myös ilman valvontaa. Tiede oppia aiemmista tiedoista ja käyttää sitä tulevaisuuden tietoihin ei ole uutta, mutta se on kasvussa entistä suositummin.
Mikä on koneoppiminen?
Vaikka jotkut ihmiset uskovat, että koneoppiminen ei ole parempaa kuin perinteiset tietokoneohjelmointimenetelmät, jotka ovat edelleen käytössä, monet pitävät koneoppimista vallankumouksena tekoälyn alalla. He uskovat, että tätä tekniikkaa käyttämällä koneet kykenevät oppimaan asioita ja tekemään asioita omalla kokemuksellaan sen sijaan, että noudattaisivat vain ihmisten ohjeita.
Ymmärtääksesi paremmin koneoppimisen merkitystä voimme verrata sitä perinteiseen tietokoneohjelmointiin. Seuraavissa osissa keskustellaan enemmän koneoppimisesta ja sen eroista perinteiseen ohjelmointiin. (Katso joitain koneoppimisen eduista ja haitoista kohdasta Koneoppimisen lupaukset ja sudenkuopat.)
