Vad är ML
För att kunna följa koden i denna kurs är det användbart att först genomföra följande kurser, om du inte redan är bekant med dessa ämnen:
Maskininlärning (ML) är ett tillvägagångssätt för programmering där datorer lär sig från data för att lösa en uppgift istället för att få explicita instruktioner.
Tänk på exemplet med en spam/ham (inte spam) klassificerare.
Att bygga ett sådant system med ett traditionellt programmeringsangreppssätt (utan ML) är svårt, eftersom det kräver att man skriver explicita regler, till och med manuellt sammanställer en lista över skräppostord.
Med maskininlärning tränas modellen på många exempel av skräppost och vanliga mejl och lär sig själv att urskilja mönstren.
De data som används för träning kallas träningsmängd. I detta fall består den av mejl som redan är märkta som skräppost eller vanliga mejl, vilket gör det möjligt för modellen att fånga egenskaperna hos båda kategorierna.
Efter träning utvärderas modellen med hjälp av en testmängd – en separat samling märkta mejl. Detta steg kontrollerar hur väl modellen generaliserar till ny, osedd data.
Tack för dina kommentarer!
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
Awesome!
Completion rate improved to 3.13Vad är ML
Svep för att visa menyn
För att kunna följa koden i denna kurs är det användbart att först genomföra följande kurser, om du inte redan är bekant med dessa ämnen:
Maskininlärning (ML) är ett tillvägagångssätt för programmering där datorer lär sig från data för att lösa en uppgift istället för att få explicita instruktioner.
Tänk på exemplet med en spam/ham (inte spam) klassificerare.
Att bygga ett sådant system med ett traditionellt programmeringsangreppssätt (utan ML) är svårt, eftersom det kräver att man skriver explicita regler, till och med manuellt sammanställer en lista över skräppostord.
Med maskininlärning tränas modellen på många exempel av skräppost och vanliga mejl och lär sig själv att urskilja mönstren.
De data som används för träning kallas träningsmängd. I detta fall består den av mejl som redan är märkta som skräppost eller vanliga mejl, vilket gör det möjligt för modellen att fånga egenskaperna hos båda kategorierna.
Efter träning utvärderas modellen med hjälp av en testmängd – en separat samling märkta mejl. Detta steg kontrollerar hur väl modellen generaliserar till ny, osedd data.
Tack för dina kommentarer!
