Infographic: neurale netwerken bij machine learning
Neurale netwerken: infographic
Neurale netwerken vormen een belangrijke aanpak in machine learning. In deze infographic geven we een overzicht van neurale netwerken in het kader van machine learning.
Onder de afbeelding vind je een tekstuele weergave van de infographic.
Neurale netwerken bij machine learning
Neurale netwerken vormen een belangrijke aanpak in machine learning. De netwerken zijn samengesteld uit processoren (de neuronen) die parallel werken om systemen te modelleren waar een complexe relatie bestaat tussen input en output. Data reist door de lagen processoren.
Een neuraal netwerk: Elke verbinding in het netwerk brengt een signaal over naar een andere neuron. Het gewicht van neuronen verhoogt of verlaagt de kracht van het signaal. Alleen als het aggregaat van het signaal hoger is dan een drempelniveau wordt het signaal verzonden.
Leren in een neuraal netwerk: De interactie tussen neuronen is adaptief. Dit betekent dat het kan leren: de parameters van het systeem aan kan passen, zodat het systeem de juiste output voor een input kan genereren. Informatie die door het netwerk stroomt, heeft gevolgen voor de structuur van het neurale netwerk omdat deze verandert – of leert – op basis van die input en output.
Gewichten: Elke verbinding heeft een gewicht dat bepaalt hoe sterk het signaal via die connectie aankomt bij de doelneuron. Dit kan stimulerend of remmend zijn.
Functies: Voor ieder paar neuronen (A,B) is een functie met gewichten gedefinieerd. Als het netwerk de juiste output genereert, hoeven de gewichten zich niet aan te passen. Echter, als het netwerk een foute output genereert, dan past het systeem de gewichten aan om toekomstige resultaten te verbeteren.
Een volleerd netwerk: Een tweede stap in het leerproces is het aanbieden van nieuwe input en het controleren van het resultaat dat dat oplevert. Op die manier kan bepaald worden in hoeverre het netwerk ‘volleerd’ is, en hoe betrouwbaar de resultaten zijn.
