I denne episode dykker værterne ned i de grundlæggende principper for maskinlæring og dyb læring (deep learning) med fokus på, hvordan datadrevne modeller opdager mønstre, tilpasses og skaber praktisk værdi.

Episoden afdækker først de væsentlige forskelle mellem klassisk maskinlæring og deep learning. Du får en gennemgang af, hvordan maskinlæring arbejder med strukturerede data og enklere algoritmetyper som lineære modeller og beslutningstræer, mens deep learning udnytter flerlagede neurale netværk til at behandle store mængder ustrukturerede data. Værterne belyser også de datamæssige og ressourcemæssige overvejelser, der afgør, hvornår man bør vælge den ene teknologi frem for den anden.

Derefter gennemgås de centrale læringsprincipper i dybden:

* Superviseret læring: Læring ud fra kendte facit (labels) til klassifikation og regression, samt hvorfor prøvning på usete data er afgørende for at undgå overtilpasning.
* Ikke-superviseret læring: Identifikation af strukturer, grupper og afvigelser i data uden facit via clustering og anomalidetektion.
* Halv-superviseret og aktiv læring: Metoder til at optimere modeltræning, når mærkede data er knappe eller omkostningstunge.
* Forstærkningslæring: Hvordan handlende systemer opbygger en optimal strategi over tid baseret på belønninger og omkostninger.

De faglige begreber illustreres undervejs med praktiske eksempler fra hverdagen, herunder eksempler som automatisk sortering af supporthenvendelser i en virksomhed samt registrering af usædvanlig sensordrift på et kølelager.

Episoden giver en helhedsorienteret forståelse af, hvordan man matcher det rette læringsprincip med den konkrete opgave og datadisciplin.