Redigerer Maskinlæring (avsnitt)

==Tilnærminger==

===Beslutningstrær===
{{Main|beslutningstre}}
Læring ved beslutningstre bruker et beslutningstre som en prediktiv modell for å tilordne obvervasjoner om et element til konklusjoner om elementets målverdi. 

===Assosiasjonsregler===
{{Main|Assosiasjonsregler}}
Læring ved assosiasjonsregler er en metode for å oppdage interessante relasjoner mellom variabler i store datasett.

===Nevrale nettverk===
{{Main|nevralt nettverk}}
Læring ved et kunstig nervralt nettverk, vanligvis referert til som "nevralt nettverk", bruker en læringsalgoritme som er inspirert av strukturen og funksjonen til biologiske nevrale nettverk. Utregninger er strukturert som sammenkoblete grupper av kunstige nevroner. Moderne kunstige nevrale nettverk er ikke-linære statistiske verktøy for datamodellering. De er vanligvis brukt til å modellere komplekse forhold mellom inndata og utdata, for å finne mønster i og klassifisere data.

===Genetisk programmering===

Genetisk programmering er en [[evolusjonære algoritmer|evolusjonær algoritme]]-basert metodologi, inspirert av biologisk evolusjon, for å lage programmer som utfører brukerdefinerte oppgaver. Dette er en spesialisering av [[genetisk algoritme|genetiske algoritmer]] hvor hvert individ er et program. Dette er en maskinlæringsteknikk som optimaliserer populasjonen av programmer, basert på ytelsen gitt ved hvor godt programmene kan utføre den brukerdefinerte oppgaven.

===Støttevektormaskiner===

Støttevektormaskiner (engelsk: support vector machines) er et sett av beslektede metoder for veiledet læring, brukt for å klassifisere og gjøre regresjonsanalyse. Gitt et sett med treningseksempler, hvor individene er markert for å tilhøre én av to kategorier, lager treningsalgoritmen for støttevektormaskinen en modell som kan beslutte om et nytt eksempel faller inn i den ene kategorien eller den andre.

===Bayesianske nettverk===
{{main|bayesiansk nettverk}}
Et bayesiansk nettverk er en grafisk modell for sannsynlighet. Den representerer et sett av tilfeldige variabler og deres betingede avhengigheter fremstilt ved hjelp av en rettet asyklisk graf . Et praktisk eksempel kan være en representasjon av sannsynlighetsfordelingen mellom sykdommer og relaterte symptomer. Nettverket kan, gitt ulike symptomer, kalkulere sannsynligheten for at en person har en sykdom. Det finnes effektive algoritmer for resonering og læring.

===Forsterkende læring=== 
{{main|Forsterkende læring}}

Forsterkende læring fokuserer på hvordan en agent bør handle i et miljø, med formålet å maksimerer muligheten for langsiktige belønninger. Algoritmer for forsterkende læring søker å finne regler som tilordner tilstander i verden til handlinger agenten bør utføre i den gitte tilstannden. Forsterkende læring er forskjellig fra veiledet læring da ingen korrekte par av inndata og utdata blir presentert, samt at mindre enn optimale handlinger ikke eksplisitt blir korrigert.
Beskrivelse	Hva du skriver	Hva du får
Kursiv	''Kursiv tekst''	Kursiv tekst
Fet	'''Fet tekst'''	Fet tekst
Fet & kursiv	'''''Fet & kursiv tekst'''''	*Fet & kursiv tekst*