Maskinlæring

Tradisjonellt løser datamaskiner problemer gjennom å bli fortalt hvordan de skal løse problemet. Maskinlæring er en type algoritmer som selv lærer å løse problemet etter å ha trent opp en modell med et datasett. Ofte skjer dette ved å finne mønstre i store datamengder.

Maskinlæring har vært brukt med stor suksess i mange år til utfordringer som som skrift-, bilde- og tale-gjenkjenning, anbefalinger, svindel-gjenkjenning og veldig mye mer. I de senere år har man oppnådd oppsiktsvekkende resultater gjennom nye former for nevrale nettverk som går under betegnelsen Dyp Læring. Dyp Læring er spesiellt god på å lære direkte av ubehandlede data.

Nye rammeverk som tensorflow og keras gjør at man relativt enkelt kan komme i gang med å eksperimentere med maskinlæring uten å investere store summer i kompetanseheving og infrastruktur.

Flere kodemakere har tatt kurset i Maskinlæring på Stanford med Andrew Ng, og noen har også fulgt opp med flere kurs innenfor fagområdet.

Våre bloggposter

Using your tensorflow model with go

En forklaring på hva som skal til for å bruke en ferdig-trent tensorflow-model fra go med kode for å trene en enkel modell i python og kode for å bruke modellen fra go. Les posten

Sideprosjekter

Analyse av værdata

Et system for å samle inn og organisere data om vær og bruke dataene for å finne korrelasjoner med andre tidsserier. Skrevet for det meste i go og deployet på google cloud platformen med kubernetes.

Fjesgjenkjenning

Bruke bilbioteket dlib til å kjenne igjen alle kodemakere basert på kun étt bilde per person. Se koden her