De werking van neurale netwerken in een voorbeeld

Deze serie artikelen staat in het teken van neurale netwerken. In het vorige artikel bespraken we de werking van neurale netwerken. In dit aanvullende artikel illustreren we die stof met een voorbeeld van een neuraal netwerk. We doen dat aan de hand van patroonherkenning.

Voorbeeld van een neuraal netwerk: supervised learning

Laten we eens kijken naar een zeer eenvoudige, maar effectieve procedure, onder de naam supervised learning. Hier voeden we het neurale netwerk grote hoeveelheden trainingsgegevens, die door mensen worden gelabeld, zodat een neuraal netwerk zichzelf kan controleren terwijl het leert. Laten we zeggen dat deze gelabelde gegevens bestaan uit respectievelijk foto’s van appels en sinaasappels. De foto’s zijn de gegevens, en “appel” en “sinaasappel” zijn de labels.

Voorbeeld van een neuraal netwerk: van componenten naar concepten

Naarmate foto’s worden ingevoerd, breekt het neurale netwerk ze af tot in hun meest basale componenten, dat wil zeggen randen, texturen en vormen. Naarmate het beeld zich verspreidt via het neurale netwerk, worden deze basiscomponenten gecombineerd om tot meer abstracte concepten te komen, dat wil zeggen krommingen en verschillende kleuren die, als ze verder gecombineerd worden, beginnen te lijken op een stam, een hele sinaasappel, of groene en rode appels.

Voorbeeld van een neuraal netwerk: voorspellingen

Aan het eind van dit proces probeert het neurale netwerk een voorspelling te maken over wat er op de foto staat. In eerste instantie zullen deze voorspellingen lijken op willekeurige gokken, aangezien er nog geen echt leren heeft plaatsgevonden. Als het inputbeeld een appel is, maar “sinaasappel” wordt voorspeld, moeten de tussenliggende lagen van het neurale netwerk worden aangepast. De aanpassingen vergoten de kans op het voorspellen van “appel” voor hetzelfde beeld. Dit gebeurt steeds opnieuw totdat de voorspellingen min of meer nauwkeurig zijn en niet lijken te verbeteren. Eens de gelabelde foto’s juist worden herkend, kunnen nieuwe data worden aangevoerd: onbekende foto’s die niet gelabeld zijn.

Voorbeeld van een neuraal netwerk: katten op YouTube

Tegenwoordig is het ook mogelijk om een stap over te slaan. Een neuraal netwerk kan ook uit ongelabelde informatie concepten leren herkennen. Dat toonde Google bijvoorbeeld met het kat-experiment. Een neuraal netwerk werd losgelaten op duizenden ongelabelde YouTube-beelden. Na een periode van observatie, werd getest welke patronen het herkende in de beelden. Een patroon in het bijzonder viel op: het systeem reageerde sterk op katten. Zonder dat iemand het ooit had verteld wat een kat definieerde, herkende het katten aan de hand van ongelabelde YouTube-beelden.

Voorbeeld van een neuraal netwerk: unsupervised learning

Dit wordt unsupervised learning genoemd, omdat er in dat geval niemand is die controleert wat het systeem leert. In tegenstelling tot supervised learning, met gelabelde input, weet men bij unsupervised learning niet hoe het systeem tot die uiteindelijke conclusie komt. De achterliggende logica is onmogelijk te achterhalen. Bij beide vormen komen echter op hetzelfde neer: hoe meer data het neurale netwerk bestudeert, hoe groter de kans dat het concepten accuraat zal beoordelen. Het neurale netwerk ‘leert’ door middel van ervaring.

Dit artikel is onderdeel van een serie.

Lees meer:

Artikel 1: Machine learning, neurale netwerken en deep learning uitgelegd 

Artikel 2: Wat is een neuraal netwerk: een introductie

Artikel 3: Toepassingen van neurale netwerken – van chatbots tot zorg

Artikel 4: Hoe werkt een neuraal netwerk – neurale netwerken uitgelegd

Share This