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. Na de korte introductie in het vorige artikel gaan we nu uitgebreider op deze onderwerpen in. We beginnen met machine learning. In deze introductie geven we een definitie. Wat is machine learning?
Machine learning is een breed onderzoeksveld binnen AI, dat zich bezighoudt met de ontwikkeling van algoritmes en technieken waarmee computers kunnen leren. 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. Machine learning bestaat dus uit algoritmes die leren dankzij data. Het gaat om het gebruiken van statistische/wiskundige technieken om computers in staat te stellen om te leren zonder dat ze expliciet geprogrammeerd te zijn. Met behulp van algoritmen die iteratief leren van data, kan machine learning verborgen inzichten vinden zonder expliciet geprogrammeerd te zijn waar te kijken.
Tekst gaat verder onder de afbeelding.
Een veelgebruikte definitie van machine learning is: een computerprogramma wordt gezegd om te leren van ervaring E met betrekking tot een bepaalde taakklasse T en prestatiemaat P als zijn prestatie bij taken in T, zoals gemeten door P, verbetert met ervaring E. Dus als je wilt dat je programma voorspellingen maakt, bijvoorbeeld verkeerspatronen bij een drukke kruising (taak T), kun je het door een algoritme voor machine learning- uitvoeren met gegevens over historische verkeerspatronen (ervaring E) en, als het succesvol geleerd heeft, dan zal het beter presteren bij het voorspellen van toekomstige verkeerspatronen (prestatiemaat P).
Als machine learning-modellen blootgesteld worden aan nieuwe gegevens kunnen ze zich zelfstandig aanpassen. Ze leren van eerdere berekeningen om betrouwbare, herhaalbare beslissingen en resultaten te produceren. Belangrijk om te begrijpen dat het ‘lerend’ effect in principe tweeledig is: het leren van data (bekende observaties) en het leren van nieuwe gebeurtenissen (nieuwe observaties). Bij het laatste gaat het echt om het leren van ervaringen. Het doel is om deze beslissingen en voorspellingen zoveel mogelijk te automatiseren op basis van zelflerende algoritmen (dus zonder menselijke interventie).
Machine learning is een onderdeel van Artificial Intelligence en wordt logischerwijs ook vaak toegepast bij het ontwikkelen van AI-toepassingen, zoals Apple’s Siri voor spraakherkenning. Gezien de aandacht voor het begrip zou je bijna denken dat het iets nieuws is. De eerste algoritmes werden echter al 50 jaar geleden ingezet. Wat machine learning echter juist nu zo interessant maakt, is dat de wereld om ons heen is veranderd: het digitale tijdperk heeft geleid tot een explosie van gegevens in alle vormen en uit alle regio’s van de wereld.
Deze gegevens, bekend als Big Data, zijn afkomstig van bronnen zoals sociale media, internet zoekmachines, e-commerce platforms, online bioscopen, enz. Deze enorme hoeveelheid data is gemakkelijk toegankelijk en kan worden gedeeld via applicaties als cloud computing. De hoeveelheid gegevens die normaal gesproken ongestructureerd zijn, is echter zo groot dat het tientallen jaren kan duren voordat mensen deze te begrijpen en relevante informatie weten te extraheren.
Dit artikel is onderdeel van een serie.
Lees meer:
Deel 1 – Machine learning, neurale netwerken en deep learning uitgelegd
Deel 3 – Toepassingen van machine learning in zorg, retail en meer
Deel 4 – Methoden van machine learning – supervised en unsupervised learning
Deel 5 – Hoe werkt machine learning – machine learning uitgelegd
Infographic – Machine learning is leren door ervaring
Bronnen – Bronnen 3Bplus artikelen deep learning
