Machine Learning kan worden gedefinieerd als een subset die onder de set van kunstmatige intelligentie valt. Het werpt vooral licht op het leren van machines op basis van hun ervaring en het voorspellen van gevolgen en acties op basis van ervaringen uit het verleden.
Wat is de aanpak van Machine Learning?
Machine learning heeft het voor computers en machines mogelijk gemaakt om beslissingen te nemen die datagedreven zijn, behalve dat ze expliciet zijn geprogrammeerd om een specifieke taak uit te voeren. Dit soort algoritmen en programma’s zijn zo gemaakt dat de machines en computers vanzelf leren en dus zichzelf kunnen verbeteren wanneer ze kennis maken met gegevens die nieuw en uniek voor hen zijn.
Het algoritme van machine learning is uitgerust met het gebruik van trainingsdata, dit wordt gebruikt voor het maken van een model. Telkens wanneer gegevens die uniek zijn voor de machine worden ingevoerd in het Machine Learning-algoritme, kunnen we voorspellingen verkrijgen op basis van het model. Zo worden machines getraind om zelf te kunnen voorspellen.
Deze voorspellingen worden vervolgens in aanmerking genomen en onderzocht op hun juistheid. Als de nauwkeurigheid positief wordt beantwoord, wordt het algoritme van Machine Learning keer op keer getraind met behulp van een augmented set voor datatraining.
De taken die betrokken zijn bij machine learning zijn onderverdeeld in verschillende brede categorieën. In het geval van gesuperviseerd leren, creëert het algoritme een model dat wiskundig is van een dataset die zowel de inputs als de outputs bevat die gewenst zijn. Als het bijvoorbeeld de taak is om uit te zoeken of een afbeelding een specifiek object bevat, in het geval van een algoritme voor begeleid leren, is de datatraining inclusief afbeeldingen die een object bevatten of niet, en elke afbeelding heeft een label (dit is de uitvoer) verwijzend naar het feit of het het object heeft of niet.
In sommige unieke gevallen is de ingevoerde invoer slechts gedeeltelijk beschikbaar of beperkt tot bepaalde speciale feedback. Bij algoritmen van semi-supervisie leren komen ze uit de datatraining met wiskundige modellen die onvolledig zijn. Hierbij blijken delen van sample inputs vaak de verwachte output te missen die gewenst is.
Zowel regressie-algoritmen als classificatie-algoritmen vallen onder de soorten begeleid leren. In het geval van classificatie-algoritmen worden deze geïmplementeerd als de outputs worden gereduceerd tot slechts een beperkte set(s) waardes.
In het geval van regressie-algoritmen zijn ze bekend vanwege hun output die continu is, dit betekent dat ze elke waarde binnen een bereik kunnen hebben. Voorbeelden van deze continue waarden zijn prijs, lengte en temperatuur van een object.
Er wordt een classificatie-algoritme gebruikt om e-mails te filteren, in dit geval kan de invoer worden beschouwd als de inkomende e-mail en de uitvoer is de naam van de map waarin de e-mail is opgeslagen.