Machinaal leren (ML)
- Begeleid machine learning
- Machine learning zonder toezicht
- Zelf-gecontroleerd machinaal leren
Klassiek programmeren gebruikt programma's (algoritmen) om resultaten te creëren:
Traditioneel computergebruik
Gegevens + computeralgoritme = resultaat
Machine Learning gebruikt resultaten om programma's (algoritmen) te maken:
Machinaal leren
Gegevens + resultaat = computeralgoritme
Machinaal leren
Machine Learning wordt vaak beschouwd als gelijkwaardig aan kunstmatige intelligentie.
Dit is niet correct. Machine learning is een subset van kunstmatige intelligentie.
Machine Learning is een discipline van AI die gegevens gebruikt om machines te leren.
"Machine Learning is een vakgebied dat computers de mogelijkheid geeft om te leren zonder te worden geprogrammeerd."
Arthur Samuël (1959)
Leren onder toezicht
Begeleid leren maakt gebruik van gelabelde gegevens (gegevens met bekende antwoorden) om algoritmen te trainen om:
- Gegevens classificeren
- Voorspel resultaten
Begeleid leren kan gegevens classificeren zoals "Wat is spam in een e-mail", op basis van bekende spamvoorbeelden.
Begeleid leren kan resultaten voorspellen , zoals voorspellen wat voor soort video je leuk vindt, op basis van video's die je hebt afgespeeld.
Leren zonder toezicht
Unsupervised learning wordt gebruikt om ongedefinieerde relaties zoals betekenisvolle patronen in data te voorspellen.
Het gaat om het creëren van computeralgoritmen die zichzelf kunnen verbeteren.
De verwachting is dat machinaal leren zal verschuiven naar leren zonder toezicht, zodat programmeurs problemen kunnen oplossen zonder modellen te maken.
Zelfgestuurd leren
Zelf-gesuperviseerd leren is vergelijkbaar met niet-gesuperviseerd leren, omdat beide met gegevens werken zonder door mensen toegevoegde labels.
Het verschil is dat niet-gesuperviseerd leren gebruik maakt van clustering, groepering en reductie van dimensionaliteit, terwijl zelf-gesuperviseerd leren zijn eigen conclusies trekt voor regressie- en classificatietaken.