Volledige afhandeling kan via e-mail & telefoon info@sofie.be
Stuur Sofie een e-mail
info@sofie.be

Blog

Een beginnershandleiding om machinaal leren te begrijpen

Wat is machinaal leren?

Machine learning is een tak van kunstmatige intelligentie waarbij een computer en zijn berekeningen betrokken zijn. Bij machine learning krijgt het computersysteem onbewerkte gegevens en maakt de computer op basis daarvan berekeningen. Het verschil tussen traditionele systemen van computers en machine learning is dat een ontwikkelaar bij traditionele systemen geen codes op hoog niveau heeft opgenomen die onderscheid tussen dingen zouden maken. Daarom kan het geen perfecte of verfijnde berekeningen maken. Maar in een machine learning-model is het een zeer verfijnd systeem dat is ingebouwd met gegevens op hoog niveau om extreme berekeningen te maken tot het niveau dat overeenkomt met menselijke intelligentie, zodat het in staat is om buitengewone voorspellingen te doen. Het kan grofweg worden onderverdeeld in twee specifieke categorieën: onder toezicht en zonder toezicht. Er is ook een andere categorie kunstmatige intelligentie die semi-gesuperviseerd wordt genoemd.

Onder toezicht ML

Bij dit type wordt een computer aan de hand van voorbeelden geleerd wat hij moet doen en hoe hij dat moet doen. Hier krijgt een computer een grote hoeveelheid gelabelde en gestructureerde gegevens. Een nadeel van dit systeem is dat een computer een grote hoeveelheid gegevens nodig heeft om een ​​expert te worden in een bepaalde taak. De gegevens die als invoer dienen, gaan via de verschillende algoritmen het systeem in. Zodra de procedure om de computersystemen aan deze gegevens bloot te stellen en een bepaalde taak onder de knie te krijgen, is voltooid, kunt u nieuwe gegevens geven voor een nieuw en verfijnd antwoord. De verschillende soorten algoritmen die bij dit soort machine learning worden gebruikt, zijn onder meer logistische regressie, K-dichtstbijzijnde buren, polynomiale regressie, naïeve bayes, willekeurig bos, enz.

ML zonder toezicht

Bij dit type zijn de gegevens die als invoer worden gebruikt niet gelabeld of gestructureerd. Dit betekent dat niemand eerder naar de gegevens heeft gekeken. Dit betekent ook dat de invoer nooit naar het algoritme kan worden geleid. De gegevens worden alleen naar het machine learning-systeem gevoerd en gebruikt om het model te trainen. Het probeert een bepaald patroon te vinden en een gewenst antwoord te geven. Het enige verschil is dat het werk door een machine wordt gedaan en niet door een mens. Sommige van de algoritmen die worden gebruikt in deze niet-gecontroleerde machine learning zijn decompositie van singuliere waarden, hiërarchische clustering, gedeeltelijke kleinste kwadraten, hoofdcomponentenanalyse, vage middelen, enz.

Versterkend leren

Reinforcement ML lijkt sterk op traditionele systemen. Hier gebruikt de machine het algoritme om gegevens te vinden via een methode die trial and error wordt genoemd. Daarna beslist het systeem zelf welke methode het meest effectief is met de meest efficiënte resultaten. Er zijn hoofdzakelijk drie componenten in machine learning: de agent, de omgeving en de acties. De agent is degene die de leerling of beslisser is. De omgeving is de atmosfeer waarmee de agent interageert en de acties worden beschouwd als het werk dat een agent doet. Dit gebeurt wanneer de agent de meest effectieve methode kiest en op basis daarvan te werk gaat.

Bron: Shalini M

  • Gerelateerde Tags: