Video: Stemmerne gøres op - Danmarks Statistiks rolle ved folkeafstemninger - 2011 2025
Nogle websteder online ville have dig til at tro, at statistik og maskinindlæring er to helt forskellige teknologier. For eksempel, når du læser Statistik vs. Machine Learning, kæmp!, får du ideen om, at de to teknologier ikke kun er forskellige, men ligefrem fjendtlige mod hinanden. Faktum er, at statistik og maskinindlæring har meget til fælles, og at statistikker repræsenterer en af de fem stammer (tænkeskoler), der gør maskinindlæringen mulig. De fem stammer er
- Symbolister: Oprindelsen af denne stamme er i logik og filosofi. Denne gruppe er afhængig af omvendt fradrag for at løse problemer.
- Connectionists: Oprindelsen af denne stamme er i neurovidenskab. Denne gruppe er afhængig af backpropagation for at løse problemer.
- Evolutionærer: Oprindelsen af denne stamme er i evolutionær biologi. Denne gruppe er afhængig af genetisk programmering for at løse problemer.
- Bayesians: Denne stamme fra denne stamme er i statistik. Denne gruppe er afhængig af probabilistisk inference for at løse problemer.
- Analoger: Oprindelsen af denne stamme er i psykologi. Denne gruppe er afhængig af kernemaskiner til at løse problemer.
Det ultimative mål med maskinindlæring er at kombinere teknologier og strategier, der er omfattet af de fem stammer til at oprette en enkelt algoritme (mastergalgoritmen), som kan lære noget. Selvfølgelig er det langt væk at nå det mål. Alligevel arbejder forskere som Pedro Domingos i øjeblikket mod det mål.
Ved hjælp af den bayesiske stamstrategi løser du de fleste problemer ved hjælp af en form for statistisk analyse. Du ser strategier, der er omtalt af andre stammer beskrevet, men hovedårsagen til, at du begynder med statistikker, er, at teknologien allerede er veletableret og forstået. Faktisk kvalificeres mange statistiske elementer mere som engineering (hvor teorier implementeres) end videnskab (hvor teorier oprettes). At forstå algoritmernes rolle i maskinindlæring er afgørende for at definere, hvordan maskinindlæring virker.