Grundlæggende ML-koncepter
De fundamentale koncepter og paradigmer der danner grundlaget for al machine learning. Forstå disse koncepter for at kunne arbejde effektivt med ML-algoritmer og -modeller.
Supervised Learning
Modellen lærer fra mærkede data - hvert eksempel har et korrekt svar. Den mest udbredte tilgang til machine learning med anvendelser fra spamfiltrering til medicinsk diagnostik.
Unsupervised Learning
Modellen finder selv mønstre og strukturer i umærkede data uden foruddefinerede svar. Bruges til clustering, dimensionsreduktion og anomalidetektion.
Reinforcement Learning
En agent lærer ved at interagere med et miljø og modtage belønninger eller straffe. Bruges i spil, robotik og autonome systemer.
Overfitting
Når en model lærer træningsdataens støj og tilfældigheder i stedet for de underliggende mønstre. Resulterer i høj præstation på træningsdata men dårlig generalisering.
Bias-Variance Tradeoff
Den fundamentale afvejning i machine learning mellem en models evne til at fange kompleksitet (lav bias) og dens stabilitet over for datavariationer (lav varians).