Koneoppiminen

Koneoppiminen on tekoälyn osa-alue, jonka tarkoituksena on saada ohjelmisto toimimaan entistä paremmin pohjatiedon ja mahdollisen käyttäjän toiminnan perusteella. Koneoppimisessa ohjelmistolle ei ole välttämättä määritetty toimintamenetelmää (algoritmia) jokaista tilannetta varten, vaan kone oppii itsenäisesti päätymään haluttuun lopputulokseen. Esimerkiksi hakukoneet pyrkivät tarjoamaan mahdollisimman osuvia - ja oikeita - hakutuloksia käyttäjälleen. Hyvä hakukoneohjelmisto osaa esimerkiksi tunnistaa kirjoitettua tekstiä mm. kirjoitusvirheiden varalta, tunnistaa synonyymeja tai eri kirjoitusmuotoja. Koneen oppiminen kehittyy itsestään sitä mukaa, kun tietoa lisätään tietokantaan. Toinen käytännön esimerkki ovat roskapostisuodattimet.

Oppimista on kahdenlaista: induktiivista ja deduktiivista. Induktiiviset koneoppimismenetelmät muodostavat sääntöjä ja malleja suurista tietojoukoista. Koneoppimisella on paljon yhteistä tilastotieteen kanssa, koska molemmissa tehdään päätelmiä aineistosta, mutta koneoppimisessa selvitetään ohjelmallisten toteutusten laskennallista vaativuutta. Monet päättelyongelmat ovat NP-kovia tai vaikeampia, joten koneoppimistutkimukseen kuuluu myös likimääräisten päättelyalgoritmien kehittäminen.

Syväoppiminen on oppimista neuroverkkoon perustuen, jäljittelemällä karkeasti ihmisaivojen tapaa oppia. Syväoppimisessa virtuaaliset neuronit mallintavat todellista aivotoimintaa kerros kerrokselta.[1]

  1. Marko Hamilo: Hermoverkkoja matkivat tietokoneet oppivat tunnistamaan esineitä Suomen Kuvalehti. 12.5.2013. Viitattu 19.5.2018.

© MMXXIII Rich X Search. We shall prevail. All rights reserved. Rich X Search