AI+maskinlæring (basis)

Teknikfag A — Digitalt design og udvikling · HTX · A-niveau · Specialisering

🎓 AI+maskinlæring (basis)

Maskinlæring (ML) = computere lærer mønstre fra data uden at være eksplicit programmeret.

3 typer:

1. Supervised learning: mærket data (input + label). Klassifikation (spam/ikke-spam) eller regression (boligpris).

2. Unsupervised learning: ingen labels — find skjulte mønstre. Clustering (k-means).

3. Reinforcement learning: agent lærer via belønning/straf (AlphaGo, robotik).

Workflow:

1. Dataindsamling+rensning (~80% af arbejdet).

2.

Feature engineering — vælg relevante input.

3. Train/Validation/Test split (typisk 70/15/15).

4.

Modeltræning — algoritmer optimerer parametre.

5.

Evaluering — accuracy, precision, recall, F1.

6. Deployment + monitorering.

Almindelige algoritmer:

• Linear regression (regression).
• Logistic regression (binær klassifikation).
• Decision trees + Random Forest.
• Support Vector Machines (SVM).
• K-means clustering (unsupervised).
• Neurale netværk + deep learning.

Deep learning (neurale netværk):

• Input-lag → skjulte lag → output-lag.
• Backpropagation + gradient descent træner vægtene.
• CNN (Convolutional Neural Network): billedgenkendelse.
• RNN/LSTM: sekvensdata (tekst, lyd).
• Transformer: moderne NLP. GPT, BERT, Claude bruger transformers.

Python ML-stack:

• NumPy, pandas: data-håndtering.
• scikit-learn: klassisk ML. Eksempel:

```python

from sklearn.linear_model import LogisticRegression

model = LogisticRegression()

Centrale begreber

• Linear regression (regression).
• Logistic regression (binær klassifikation).
• Decision trees + Random Forest.
• Support Vector Machines (SVM).
• K-means clustering (unsupervised).
• Neurale netværk + deep learning.
• Input-lag → skjulte lag → output-lag.
• Backpropagation + gradient descent træner vægtene.

Læringsmål

• Redegøre for grundlæggende begreber inden for AI og maskinlæring
• Anvende et simpelt maskinlæringsværktøj på et datasæt
• Diskutere etiske aspekter ved brug af AI

Sådan kan du arbejde med emnet

• Forklar med egne ord, hvad det betyder, at en model trænes på data
• Giv et eksempel på et digitalt produkt, der bruger maskinlæring, og beskriv, hvad modellen forudsiger eller genkender
• Diskuter, hvilke data der kunne bruges til at træne en model, der skal genkende billeder af forskellige dyr

Skab eget værk og analysér klassiske eksempler. Reflekter over teknik og udtryk.