Inledning

Maskininlärning är på många sätt skärningspunkten mellan två områden – datavetenskap och programvaruteknik. Målet med maskininlärning är att använda data för att skapa en förutsägelsemodell som kan införlivas i ett program eller en tjänst. För att uppnå det här målet krävs samarbete mellan dataexperter som utforskar och förbereder data innan de använder dem för att träna en maskininlärningsmodell och programvaruutvecklare som integrerar modellerna i program där de används för att förutsäga nya datavärden (en process som kallas slutsatsdragning).

Maskininlärning har sitt ursprung i statistik och matematisk modellering av data. Den grundläggande idén med maskininlärning är att använda data från tidigare observationer för att förutsäga okända resultat eller värden. Till exempel:

• Innehavaren av en glassbutik kan använda en app som kombinerar historiska försäljnings- och väderrekord för att förutsäga hur många glassar de sannolikt kommer att sälja en viss dag, baserat på väderprognosen.
• En läkare kan använda kliniska data från tidigare patienter för att köra automatiserade tester som förutsäger om en ny patient är i riskzonen för diabetes baserat på faktorer som vikt, blodsockernivå och andra mätningar.
• En forskare i Antarktis kan använda tidigare observationer för att automatisera identifieringen av olika pingvinarter (till exempel Adelie, Gentoo eller Chinstrap) baserat på mätningar av en fågels flippers, näbb och andra fysiska attribut.