Koneop­pi­mi­sel­la rat­kais­taan dataan liit­ty­viä ongelmia

Koneop­pi­mi­sel­la (mac­hi­ne lear­ning, ML) tar­koi­te­taan tule­vai­suu­den toi­min­nan paran­ta­mis­ta perus­tuen jo koet­tuun. Koneop­pi­mi­sen pain­opis­te on auto­maat­ti­sis­sa mene­tel­mis­sä. Toi­sin sanoen tavoit­tee­na on laa­tia oppi­mi­sal­go­rit­me­jä, jot­ka oppi­vat auto­maat­ti­ses­ti ilman ihmis­ten puut­tu­mis­ta tai apua. Islet­ter ja ohjel­mis­to­ke­hit­tä­jä Sámuel Zeke antaa esi­merk­ke­jä ML-algo­rit­mien ennus­ta­mi­ses­ta ja muus­ta käytöstä.

Koneop­pi­mi­ses­sa käy­te­tään ohjel­moi­tu­ja algo­rit­me­ja, jot­ka vas­taa­not­ta­vat ja ana­ly­soi­vat syöt­tö­tie­to­ja ennus­taak­seen läh­tö­ar­vot hyväk­syt­tä­väl­lä alu­eel­la. Kun näi­hin algo­rit­mei­hin syö­te­tään uut­ta tie­toa, ne oppi­vat ja opti­moi­vat toi­min­tan­sa suo­ri­tus­ky­vyn paran­ta­mi­sek­si kehit­tä­mäl­lä ”älyk­kyyt­tä” ajan myötä.

Lue kuin­ka Über sovel­taa teko­ä­lyä: https://​eng​.uber​.com/​a​p​p​l​y​i​n​g​-​a​r​t​i​f​i​c​i​a​l​-​i​n​t​e​l​l​i​g​e​n​c​e​-​a​t​-​u​b​er/

#Mac­hi­ne­Lear­ning #ML #Algo­rithms #Dis­rup­ti­ve­Tech­no­lo­gies #Emer­ging­Tech­no­lo­gies