Wat is machine learning?
De definitie van machine learning en de verschillende soorten.
Definitie van Machine Learning.
Lang niet iedereen realiseert het zich maar de meesten van ons worden op dagelijkse basis met machine learning geconfronteerd. Voor het bedrijfsleven wordt het dan ook steeds belangrijker om te begrijpen wat machine learning is…
Bent u opzoek naar het verschil tussen machine learning, kunstmatige intelligentie en deeplearning?
Machine learning is een onderdeel van kunstmatige intelligentie. Het is het gemakkelijkst om machine learning te zien als de techniek die ten grondslag ligt aan kunstmatige intelligentie. In de meeste gevallen kunnen we vertrouwen op de definitie van Arthur Samuel uit 1959:
Computer(s) (software) met het vermogen om te kunnen leren zonder dat deze expliciet geprogrammeerd zijn.
Inderdaad, ongeveer zoals wij mensen dat doen. Tenminste, niet helemaal. Wij mensen leren van ervaringen. Software leert van data. Grote hoeveelheden data om precies te zijn. Machine learning gaat om het ontwikkelen van algoritmes waarmee software kan worden getraind. Zo geven we een applicatie bij wijze van spreken voorbeelden van inputs en de juiste output. De software leert zo aan welke voorwaarden (input) een bepaalde output moet voldoen. Hoe vaker we dit herhalen, hoe meer data we hebben, des te nauwkeuriger de resultaten zullen zijn. Simpel gezegd, met meer data kun je software voorzien van meer trainingen en wordt je algoritme als je ware slimmer.
Hoe werkt machine learning?
Zoals vaak het geval is met complexe technologie is machine learning misschien wel het beste uit te leggen aan de hand van een simpel voorbeeld. Denk terug aan uw tijd in de schoolbanken, de wiskundeles om precies te zijn. Over het algemeen wordt scholieren de kunst van het delen en vermenigvuldigen aangeleerd door ze veel te laten oefenen. Veel docenten leggen het concept natuurlijk van te voren uit maar het is de oefening die er voor zorgt dat de stof blijft hangen. Daarbij wordt natuurlijk aan de scholieren teruggekoppeld of ze de sommen juist hebben opgelost. In andere woorden, de scholieren leren of hun output correct is.
Na het oplossen en corrigeren van een bepaalde hoeveelheid sommen kunnen we verwachten dat de scholieren in kwestie in staat zijn geweest een soort patroon in de oplossingen hebben gevonden. Zo zijn ze in staat om de meeste sommen op een aankomend tentamen op te lossen.
Het is belangrijk om ons te realiseren dat individuele scholieren een eigen stijl van leren hebben. Zo hebben verschillende machine learning algoritmen ook een eigen manier van het vinden van patronen in data. Net zoals verschillende scholieren sterker zijn in bepaalde onderwerpen geldt dat ook voor machine learning. Voor bepaalde soorten data is een specifiek algoritme het meest geschikt.
Samenvattend, machine learning algoritmen functioneren ongeveer zoals scholieren dat doen tijdens de wiskundeles. Ze krijgen een hoeveelheid materiaal om mee te oefenen, krijgen een instructie en feedback om zo patronen waar te kunnen nemen. Het is belangrijk om data te matchen aan de juist technieken van machine learning. Zo bent u verzekerd van de beste performance.
Groeien met de meest belangrijke technologie sinds het internet.
Machine learning biedt u en uw onderneming ongekende mogelijkheden. In dit whitepaper verkennen we de mogelijkheden voor uw bedrijf. GlobalOrange heeft een pionierspositie op het gebied van machine learning en kunstmatige intelligentie en de ervaring die daar bij hoort. Deze ervaring delen we graag met u middels deze whitepaper machine learning. In dit whitepaper behandelen we definities, verschillende technieken en de kansen die machine learning u biedt.
Verschillende soorten machine learning.
Machine learning is geenszins een ‘one size-fits-all techniek’. Verschillende software, algoritmen en technieken worden gebruikt om specifieke modellen te bouwen die het beste passen bij uw situatie. Machine learning bestaat niet uit een concrete set algoritmen die op een gestandaardiseerde manier ingezet kunnen worden. De keuze voor een soort machine learning en de bijbehorende algoritmes hangt sterk af van het doel dat u nastreeft. Daarnaast is de soort data die u tot uw beschikking heeft van groot belang voor de keuze voor een bepaalde soort van machine learning.
Supervised learning.
Supervised learning maakt gebruik van data die gelabeld is door mensen. Anders gezegd, er kan het beste voor supervised learning gekozen worden als de gewenste output van een algoritme bekend is. In supervised learning leert een algoritme een serie inputs samen met in combinatie met de corresponderende (verlangde) outputs en de vergelijking tussen ongewenste outputs. Op basis van de discrepantie tussen de beiden past het model zich aan.
Een voorbeeld van supervised learning is Apple’s Photos op iOS en Mac OS X. Als de gebruiker een paar vrienden tagged op een paar foto’s is de software in staat om deze mensen voortaan te herkennen op foto’s en deze zelfstandig te taggen.
Unsupervised learning.
In het geval van data die niet gelabeld is kan het beste gebruik gemaakt worden van unsupervised learning. In dit geval poogt de software nieuwe patronen in de data te ontdekken zonder dat de software bekend is met de soort data of labels in welke vorm dan ook. Deze vorm van machine learning werkt goed voor, bijvoorbeeld, clustering. Bij clustering wordt data georganiseerd op basis van overeenkomstige kenmerken. Hierbij kan bijvoorbeeld gedacht worden aan de unsupervised machine learning software die Facebook inzet op populaties onder te verdelen in groepen met (bijvoorbeeld) gelijke demografische factoren en aankoop patronen zodat adverterende partijen hen gemakkelijker kunnen bereiken met relevante advertenties.
Reinforcement learning.
Deze manier van machine learning is sterk gebaseerd op een theorie uit de psychologie. In het kort, reinforcement behavior is niets anders dan leren door ‘Trial & Error’. Dat kan een computer natuurlijk ook. In het geval van reinforcement learning onderzoekt een computer de ideale uitkomst door deze simpelweg een groot aantal keer te simuleren. Deze vorm van machine learning wordt veel gebruikt bij navigatie applicaties of bijvoorbeeld gaming.
Vrijblijvend advies over software ontwikkeling?
Laat uw gegevens hier achter en wij nemen zo spoedig mogelijk contact met u op.
“GlobalOrange heeft goed met ons meegedacht en door toepassing van machine learning de applicatie vereenvoudigd. Onze eindgebruikers hoeven nu veel minder tijd te besteden aan controle.”
Contact
GlobalOrange
GlobalOrange 
