Ett anv\u00e4ndningsomr\u00e5de f\u00f6r machine learning \u00e4r att kunna ge bin\u00e4ra svar p\u00e5 diagnosfr\u00e5gor vi vill st\u00e4lla. Exempelvis, har denna bild p\u00e5 ett ansikte tecken p\u00e5 stroke, eller inte. Ja eller nej? \u00c4r den h\u00e4r bilden p\u00e5 en frisk cell eller en cancercell?<\/p>\n
F\u00f6r detta skulle vi beh\u00f6va en sn\u00e4v AI, n\u00e4rmare best\u00e4mt ett upptr\u00e4nat neuralt n\u00e4tverk, per diagnosfr\u00e5ga. Denna bloggpost g\u00e5r igenom i grova drag vad det inneb\u00e4r, hur det tekniska fl\u00f6det ser ut, med mera.<\/p>\n
Deep learning \u00e4r ett av flera angreppss\u00e4tt inom machine learning f\u00f6r att g\u00f6ra kunskap av lite st\u00f6rre informationsm\u00e4ngder. Wikipedia har f\u00e5tt ihop den n\u00e5got yxiga f\u00f6rklaringen nedan, men misstr\u00f6sta inte, det finns ocks\u00e5 ett videoklipp som \u00e4r p\u00e5 en mer begriplig niv\u00e5.<\/p>\n
”Deep learning \u00e4r baserad p\u00e5 en upps\u00e4ttning algoritmer som f\u00f6rs\u00f6ker modellera abstraktioner i data p\u00e5 h\u00f6g niv\u00e5 genom att anv\u00e4nda m\u00e5nga processlager med komplexa strukturer, best\u00e5ende av m\u00e5nga linj\u00e4ra och icke-linj\u00e4ra transformationer.”
\n\u2013 Deep learning \u2013 Wikipedia<\/a><\/p><\/blockquote>\nGeoffrey Hinton – gudfadern av deep learning – f\u00f6rklarar bakgrunden bra p\u00e5 under fyra minuter.<\/p>\n