078-2034021 [email protected]

Deze feestdagen blikken we terug op onze meest gelezen artikelen van het afgelopen jaar. We zetten er 9 voor jullie op een rijtje. Op nummer 4 vind je dit artikel waarin we dieper ingaan op de gebruikte methoden bij machine learning, namelijk: supervised, unsupervised, semi-supervised learning en reinforcement learning.

Wat is machine learning?

Artificial Intelligence (AI) omvat een breed scala van technologieën waarmee computers problemen kunnen oplossen op een manier die (op zijn minst oppervlakkig) lijkt op het menselijke denken. Maar waar komt deze intelligentie vandaan? Machine learning is zo’n technologie. Wanneer we AI-systemen de mogelijkheid te geven hun eigen kennis te vergaren door patronen uit data te halen, spreken we over machine learning. Met machine learning kunnen computers zichzelf (door middel van ervaring, oftewel: trainen) verbeteren bij het uitvoeren van taken.

Verschillende methoden van trainen

Machine learning-systemen moeten dus getraind worden op tot betere antwoorden te komen. Dat trainen kan op verschillende manieren gebeuren, namelijk: supervised learning, unsupervised learning, semi-supervised learning en reinforcement learning. Al deze methoden hebben in de basis hetzelfde doel – het trainen van machine learning-systemen om juiste antwoorden te geven – maar gebruiken daarvoor verschillende benaderingen.

Lees meer: Is het Internet of Things hetzelfde als AI?

Tekst gaat verder onder de afbeelding.

artificial intelligence ai robot

Wat is gelabelde data?

Bij machine learning wordt een machine getraind om de juiste antwoorden te geven. Dit gebeurt vaak middels supervised learning. Hierbij wordt het systeem niet alleen gevoed met input, maar ook meteen met de juiste output. We noemen dit ook wel gelabelde voorbeelden: input waarvan de gewenste output bekend is.

Zo werkt supervised learning

Het systeem leert door zijn antwoorden steeds te vergelijken met de juiste output, waarbij het systeem zichzelf waar nodig aan kan passen. Het doel is dat het systeem zichzelf de regels leert die de gegeven input vertalen naar deze gewenste output. Het systeem leert dus verbanden te zien tussen de input en de output. Als het machine learning-proces goed wordt doorlopen, maakt het systeem steeds minder fouten en kan deze uiteindelijk op basis van nieuwe input de juiste output produceren.

Wat is unsupervised learning?

Bij unsupervised learning bij machine learning worden er geen labels gegeven aan de input waarmee het systeem getraind wordt. Het gaat hier dus om leren zonder sturing in de vorm van de gewenste output. Het systeem is door het ontbreken van labels op zichzelf aangewezen om structuur te vinden in de input en met de juiste output komen. Anders gezegd: het algoritme moet er zonder labels (de juiste output) achter komen wat het juiste antwoord is.

Supervised versus unsupervised learning

Supervised learning maakt gebruikt van historische gegevens, zoals frauduleuze creditcardtransacties. Unsupervised learning vindt juist plaats bij gegevens die geen historische labels hebben, zoals transactiegegevens. Unsupervised learning-systemen kunnen op basis van deze data bijvoorbeeld klantsegmenten identificeren met vergelijkbare eigenschappen, hetgeen nuttig is voor marketingcampagnes. Ook kun je denken aan aanbevelingssystemen.

Een mix: semi-supervised learning

Zoals de naam al doet vermoeden, maakt semi-supervised learning gebruik van zowel gelabelde als niet-gelabelde data voor training – meestal een kleine hoeveelheid gelabelde data met een grote hoeveelheid niet-gelabelde data. Dat is handig omdat niet-gelabelde data vaak veel gemakkelijker te verwerven is. Ook zijn de kosten verbonden aan het labelen van data vaak hoog.

Lees meer: Wat is Computer Vision en wat is het verband met AI?

Reinforcement learning

Reinforcement learning werkt op basis van beloning en straffen. Het doel is om het systeem acties te laten kiezen die de verwachte beloning over een bepaalde tijd maximaliseren, oftewel: het systeem het beste beleid te leren. Het systeem bereikt het doel veel sneller door een goed beleid te volgen. Hiertoe ontvangt het systeem feedback, de beloningen en straffen. Met reinforcement learning ontdekt het systeem door trial and error welke acties de grootste beloningen opleveren. Reinforcement leren wordt vaak gebruikt voor robotica, gaming en navigatie.

Volg 3Bplus op LinkedIn om onze countdown met best gelezen artikelen te volgen.

Meer lezen over dit onderwerp?

Misschien vind je deze artikelen ook interessant:

Machine learning-algoritme draagt bij aan langer thuis wonen
Zo werken slimme camera’s die smartphones in de auto detecteren
Artificial Intelligence ingezet om Romeinse keizers te reconstrueren
Hoe werkt Computer Vision (CV)?

Share This