Maskininlärning är en delmängd av artificiell intelligens som fokuserar på att bygga system som kan lära sig av historiska data, identifiera mönster och fatta logiska beslut med liten eller ingen mänsklig inblandning. Det är en dataanalysmetod som automatiserar skapandet av analytiska modeller genom att använda data som omfattar olika former av digital information, t.ex. siffror, ord, klick och bilder.
Program för maskininlärning lär sig av indata och förbättrar kontinuerligt noggrannheten i utdata med hjälp av automatiserade optimeringsmetoder. Kvaliteten på en maskininlärningsmodell är beroende av två viktiga aspekter:
Ju bättre maskininlärningsmodellen är, desto mer exakt kan den hitta funktioner och mönster i data. Det innebär i sin tur att dess beslut och förutsägelser blir mer exakta.
Oöverträffat skydd som kombinerar maskininlärning och endpoint-säkerhet tillsammans med hotjakt i världsklass som en tjänst.
Läs mer om dettaVarför använda maskininlärning? Maskininlärning blir allt viktigare på grund av de alltmer enorma volymerna och variationen av data, tillgången till och överkomligheten för beräkningskraft och tillgången till höghastighetsinternet. Dessa digitala transformationsfaktorer gör det möjligt att snabbt och automatiskt utveckla modeller som snabbt och korrekt kan analysera utomordentligt stora och komplexa datamängder.
Det finns en mängd olika användningsområden där maskininlärning kan användas för att sänka kostnaderna, minska riskerna och förbättra den allmänna livskvaliteten, t.ex. för att rekommendera produkter/tjänster, upptäcka cybersäkerhetsöverträdelser och möjliggöra självkörande bilar. Med större tillgång till data och beräkningskraft blir maskininlärning allt vanligare varje dag och kommer snart att integreras i många aspekter av människors liv.
Det finns fyra viktiga steg som du följer när du skapar en maskininlärningsmodell.
Träningsdata är information som är representativ för de data som maskininlärningsprogrammet kommer att ta in för att ställa in modellparametrar. Träningsdata är ibland märkta, vilket innebär att de har märkts för att ringa ut klassificeringar eller förväntade värden som maskininlärningsläget krävs för att förutsäga. Andra träningsdata kan vara omärkta så att modellen måste extrahera funktioner och tilldela kluster autonomt.
För märkning bör data delas in i en träningsdel och en testdel. Den förstnämnda används för att träna modellen och den sistnämnda för att utvärdera modellens effektivitet och hitta sätt att förbättra den.
Vilken typ av maskininlärningsalgoritm du väljer beror i första hand på några olika aspekter:
För prediktions- eller klassificeringsfall använder du vanligtvis regressionsalgoritmer som vanlig minsta kvadratregression eller logistisk regression. Med omärkta data är det troligt att du förlitar dig på klusteralgoritmer som k-means eller närmaste granne. Vissa algoritmer, t.ex. neurala nätverk, kan konfigureras för att fungera med både klustring och prediktion.
Träning av algoritmen är en process där modellvariabler och parametrar justeras för att mer exakt kunna förutsäga lämpliga resultat. Träning av maskininlärningsalgoritmen är vanligtvis iterativ och använder en mängd olika optimeringsmetoder beroende på den valda modellen. Dessa optimeringsmetoder kräver inte mänsklig inblandning, vilket är en del av kraften i maskininlärning. Maskinen lär sig från de data du ger den med liten eller ingen specifik riktning från användaren.
Det sista steget är att mata in nya data i modellen för att förbättra dess effektivitet och noggrannhet över tiden. Var den nya informationen kommer ifrån beror på vilken typ av problem som ska lösas. Till exempel kommer en maskininlärningsmodell för självkörande bilar att ta in verklig information om vägförhållanden, föremål och trafiklagar.
Vad är övervakad maskininlärning?
Övervakade maskininlärningsalgoritmer använder märkta data som träningsdata där lämpliga utdata för indata är kända. Maskininlärningsalgoritmen tar in en uppsättning indata och motsvarande korrekta utdata. Algoritmen jämför sina egna förutspådda utdata med de korrekta utdata för att beräkna modellens noggrannhet och optimerar sedan modellparametrarna för att förbättra noggrannheten.
Övervakad maskininlärning bygger på mönster för att förutsäga värden på omärkta data. Det används oftast vid automatisering, för stora mängder dataposter eller i fall där det finns för många datainmatningar för att människor ska kunna bearbeta dem effektivt. Algoritmen kan till exempel fånga upp kreditkortstransaktioner som sannolikt är bedrägliga eller identifiera den försäkringskund som troligen kommer att göra en skadeanmälan.
Vad är oövervakad maskininlärning?
Maskininlärning utan supervisering tillämpas bäst på data som inte har strukturerade eller objektiva svar. Det finns ingen förhandsbestämning av rätt resultat för en given indata. Istället måste algoritmen förstå indata och fatta ett lämpligt beslut. Målet är att undersöka informationen och identifiera strukturen i den.
Maskininlärning utan övervakning fungerar bra på transaktionsinformation. Algoritmen kan till exempel identifiera kundsegment som har liknande attribut. Kunder inom dessa segment kan sedan nås av liknande marknadsföringskampanjer. Populära tekniker som används vid oövervakad inlärning är bland annat mappning av närmaste granne, självorganiserande kartor, singular value decomposition och k-means clustering. Algoritmerna används sedan för att segmentera ämnen, identifiera avvikande värden och rekommendera artiklar.
Aspekt |
Övervakad inlärning |
Oövervakad inlärning |
Process |
Ingångs- och utgångsvariabler tillhandahålls för att träna modellen. |
Endast indata tillhandahålls för att träna modellen. Inga utdata används. |
Inmatade data |
Använder märkta data. |
Använder omärkta data. |
Algoritmer som stöds |
Stöder regressionsalgoritmer, instansbaserade algoritmer, klassificeringsalgoritmer, neurala nätverk och beslutsträd. |
Stöder klustringsalgoritmer, associationsalgoritmer och neurala nätverk. |
Komplexitet |
Enklare. |
Mer komplex. |
Subjektivitet |
Målsättning. |
Subjektivt. |
Antal klasser |
Antalet klasser är känt. |
Antal klasser är okänt. |
Primär nackdel |
Det är svårt att klassificera stora datamängder med hjälp av övervakad inlärning. |
Att välja antal kluster kan vara subjektivt. |
Primärt mål |
Träna modellen att förutsäga utdata när den presenteras med nya indata. |
Hitta användbara insikter och dolda mönster. |
Funktionen för maskininlärning har funnits i årtionden, men det är den senaste tidens förmåga att tillämpa och automatiskt beräkna komplexa matematiska beräkningar som involverar stora datamängder som har gett den en oöverträffad sofistikering. Användningsområdet för maskininlärning idag är stort och sträcker sig från företags AIOps till detaljhandel online. Några exempel från verkligheten på maskininlärningsfunktioner idag inkluderar följande:
I takt med att datavolymerna växer, datorkraften ökar, bandbredden på Internet blir större och datavetarna förbättrar sin expertis, kommer maskininlärning bara att fortsätta att leda till ökad och djupare effektivitet på jobbet och i hemmet.
Med de ständigt ökande cyberhoten som företag står inför idag krävs maskininlärning för att säkra värdefulla data och hålla hackare borta från interna nätverk. Vår främsta UEBA SecOps-mjukvara, ArcSight Intelligence, använder maskininlärning för att upptäcka avvikelser som kan tyda på skadliga handlingar. Den har visat sig kunna upptäcka insiderhot, nolldagsattacker och till och med aggressiva red team-attacker.
Proaktivt upptäcka insiderrisker, nya attacker och avancerade ihållande hot
Snabbare upptäckt av hot och snabbare svar med realtidsdetektering och inbyggd SOAR
AI-driven testautomatisering
Interset förstärker mänsklig intelligens med maskinintelligens för att stärka din cyberresiliens
Förenkla logghantering och regelefterlevnad samtidigt som kriminaltekniska undersökningar påskyndas