Introduktion
Maskininlärningsmodeller är datoralgoritmer som använder data för att göra uppskattningar (kvalificerade gissningar) eller beslut. Maskininlärningsmodeller skiljer sig från traditionella algoritmer i hur de utformas. När traditionell datorprogramvara behöver förbättras redigerar folk den. Däremot använder en maskininlärningsalgoritm data för att bli bättre på en specifik uppgift.
Skräppostfilter använder till exempel maskininlärning. För 20 år sedan hade skräppostfilter inte många exempel att lära sig och var inte bra på att identifiera vad som är och inte är skräppost. När mer skräppost har kommit och märkts som skräp av mänskliga användare har maskininlärningsalgoritmerna fått mer erfarenhet och blivit bättre på sitt jobb.
Stövlar som passar
I den här modulen använder vi ett exempelscenario för att förklara viktiga maskininlärningskoncept.
I det här scenariot äger du en butik som säljer selar för lavinräddningshundar, och du har nyligen expanderat för att också sälja hundstövlar. Kunder verkar alla välja rätt selestorlekar, men beställer ständigt doggy stövlar som är fel storlek. Du vet att de flesta kunder köper selar och stövlar i samma transaktion, vilket ger dig en idé: kanske kan du approximera vilka doggy stövlar är rätt storlek, beroende på vilken sele som valts. Sedan kan du varna kunder om de stövlar som de har valt sannolikt kommer att vara den felaktiga storleken innan de gör köpet.
Under den här modulen skapar vi en maskininlärningsmodell som implementerar den här idén. Längs vägen använder vi det här scenariot för att presentera några grundläggande maskininlärningskoncept och visa hur du använder dem i en praktisk miljö.
Utbildningsmål
I den här modulen gör du följande:
- Utforska hur maskininlärning skiljer sig från traditionell programvara.
- Skapa och testa en maskininlärningsmodell.
- Läs in en modell och använd den med nya data.
Förutsättningar
Ingen