In deze serie artikelen werken we toe naar deep learning. Om een duidelijk beeld van deep learning te geven, bespreken we echter eerst machine learning en neurale netwerken. Om deep learning helder uit te leggen, is het namelijk van belang om de verbindingen tussen al deze concepten te schetsen. In deze introductie geven we daarom een kort overzicht van de concepten machine learning, neurale netwerken en deep learning, en de verbindingen ertussen.
Artificial Intelligence (AI; of Kunstmatige Intelligentie, KI) is intelligentie tentoongesteld door machines. De term AI wordt vaak toegepast wanneer een machine cognitieve functies nabootst die geassocieerd worden met de mens. Maar waar komt deze intelligentie vandaan? Hoe komt het dat AI-systemen kunnen schaken, een gesprek kunnen voeren en een auto kunnen besturen? Het is lastig of zelfs onmogelijk om formele regels met voldoende complexiteit op te stellen die onze wereld accuraat beschrijven. Het is zodoende nodig om AI-systemen de mogelijkheid te geven hun eigen kennis te vergaren door patronen uit data te halen. Deze vaardigheid staat bekend als machine learning.
Tekst gaat verder onder de afbeelding.
Machine learning verwijst naar elk systeem waar de prestatie van een machine bij het uitvoeren van een taak beter wordt door meer ervaring op te doen in het uitvoeren van die taak. Door een ML-algoritme te voeden met gegevens (voorbeelden), wordt het algoritme steeds beter in zijn taak. Met andere woorden, door ervaring op te doen, leert het algoritme. Dit noemen we ook wel training. Machine learning bestaat uit algoritmes die leren dankzij data. Bij machine learning wordt veelal op basis van data een trendlijn berekend. Het systeem kan op die manier een patroon herkennen in een wolk met punten. Ook kan het systeem dat patroon doortrekken om voorspellingen te maken.
Bij machine learning wordt het systeem getraind met voorbeelden. Deze training is bedoeld om het algoritme te leren de juiste antwoorden te geven. Dit gebeurt vaak door middel van supervised learning. Hierbij wordt het systeem niet alleen gevoed met input (de gegevens), maar ook met labels, oftewel het gewenste antwoord. Het doel is dat het systeem zichzelf aanleert om de input te vertalen in de gewenste output. Door te trainen maakt de machine steeds minder fouten en kan uiteindelijk ook met nieuwe input tot de juiste output komen.
Stel, je wilt een ML-algoritme leren om foto's van vogels te herkennen. Door het systeem veel foto's van vogels te laten zien en het te vertellen dat dit vogels zijn (de labels), leert het systeem precies te beoordelen hoe een vogel eruit ziet. Hoe meer foto's van vogels je het algoritme geeft, hoe beter het systeem uiteindelijk vogels zal herkennen, zelfs op nieuwe foto's die het algoritme nog niet kent. Ditzelfde principe (leren door ervaring) wordt ook in andere toepassingen gebruikt. Neem een algoritme dat frauduleuze creditcardtransacties moet leren herkennen. Je voedt dat met historische gegevens van bewezen frauduleuze creditcardtransacties. Uiteindelijk kan het systeem voorspellingen doen, zoals: dit is een frauduleuze creditcardtransactie met 97 procent zekerheid.
Machine learning is dus kort gezegd het ontwerpen van machines die kunnen leren van data. Er zijn verschillende manieren om deze machines te ontwerpen. Neurale netwerken vormen een belangrijke aanpak bij machine learning. In dit geval worden de algoritmen in machine learning geïmplementeerd door gebruik te maken van de structuur van neurale netwerken. Deze neurale netwerken modelleren de data met behulp van kunstmatige neuronen. Neurale netwerken bootsen zodoende de werking van de hersenen na, die een biologisch neuraal netwerk vormen.
In deze serie artikelen werken we zoals gezegd naar deep learning toe. Binnen ML vind je de subcategorie deep learning, waarbij algoritmes gestructureerd worden om een kunstmatig neuraal netwerk te creëren. Het mooie van deep learning is dat de algoritmes zichzelf kunnen aanpassen door hun gewichten aan te passen. Denk terug aan het voorbeeld over frauduleuze creditcardtransacties. Met deep learning kan elke laag van het neurale netwerk een specifiek kenmerk herkennen, zoals hoge bedragen, banken in het buitenland, enz. Komt het systeem met een onjuiste voorspelling? Dan past het netwerk het gewicht aan dat aan bepaalde neuronen wordt gegeven. Zo kan een hoog geldbedrag uiteindelijk minder belangrijk blijken te zijn voor een juiste voorspelling. De volgende voorspelling zal op deze manier correcter zijn.
Samenvattend is machine learning het vakgebied dat zich bezighoudt met het ontwerpen van machines die kunnen leren van data. Een van de modellen die bij het machine learning ingezet kan worden, is het neurale netwerk. Deep learning is een complexe vorm van machine learning waarin meerdere lagen neurale netwerken gebruikt worden om machines te ontwerpen die kunnen leren van data.
Dit artikel vormt het beginpunt voor meerdere series artikelen.
Lees meer:
Wat is machine learning: een introductie
Wat is een neuraal netwerk: een introductie
Wat is deep learning: een introductie
Bronnen – Bronnen 3Bplus artikelen deep learning
