Machine learning is een toepassing van kunstmatige intelligentie (AI) die systemen de mogelijkheid biedt om automatisch te leren en te verbeteren door ervaring zonder expliciet te worden geprogrammeerd. Machine learning richt zich op de ontwikkeling van computerprogramma ‘ s die toegang hebben tot gegevens en deze gebruiken om zelf te leren.
het leerproces begint met observaties of gegevens, zoals voorbeelden, directe ervaring of instructie, om patronen in gegevens te zoeken en in de toekomst betere beslissingen te nemen op basis van de voorbeelden die we leveren. Het primaire doel is om de computers automatisch te laten leren zonder menselijke tussenkomst of hulp en dienovereenkomstig acties aan te passen.
maar met behulp van de klassieke algoritmen van machine learning wordt tekst beschouwd als een reeks trefwoorden; in plaats daarvan bootst een benadering op basis van semantische analyse het menselijk vermogen na om de Betekenis van een tekst te begrijpen.
sommige Machine Learning methoden
algoritmen worden vaak gecategoriseerd als onder toezicht of zonder toezicht.
- gesuperviseerd machine learning algoritmen kunnen toepassen wat in het verleden geleerd is op nieuwe data met behulp van gelabelde voorbeelden om toekomstige gebeurtenissen te voorspellen. Uitgaande van de analyse van een bekende trainingsdataset, produceert het leeralgoritme een afgeleide functie om voorspellingen te doen over de outputwaarden. Het systeem is in staat om doelen te stellen voor elke nieuwe input na voldoende training. Het leeralgoritme kan ook zijn output met de correcte, bedoelde output vergelijken en fouten vinden om het model dienovereenkomstig te wijzigen.
- daarentegen worden algoritmen zonder toezicht gebruikt wanneer de informatie die wordt gebruikt om te trainen niet geclassificeerd of gelabeld is. Unsupervised learning bestudeert hoe systemen een functie kunnen afleiden om een verborgen structuur te beschrijven uit niet-gelabelde gegevens. Het systeem niet achterhalen van de juiste output, maar het verkent de gegevens en kan conclusies trekken uit datasets om verborgen structuren te beschrijven van niet-gelabelde gegevens.
- Semi-begeleide machine learning algoritmen vallen ergens tussen begeleid en zonder toezicht leren, omdat ze zowel gelabelde als niet gelabelde data gebruiken voor training – meestal een kleine hoeveelheid gelabelde data en een grote hoeveelheid niet gelabelde data. De systemen die deze methode gebruiken, kunnen de leernauwkeurigheid aanzienlijk verbeteren. Meestal, semi-begeleid leren wordt gekozen wanneer de verworven gelabelde gegevens vereist bekwame en relevante middelen om het te trainen / leren van het. Anders, het verwerven van niet-gelabelde gegevens over het algemeen geen extra middelen nodig.
- versterking machine learning algoritmes is een leermethode die interageert met zijn omgeving door het produceren van acties en ontdekt fouten of beloningen. Trial and error search en delayed reward zijn de meest relevante kenmerken van reinforcement learning. Met deze methode kunnen machines en softwareagenten automatisch het ideale gedrag bepalen binnen een specifieke context om de prestaties te maximaliseren. Eenvoudige beloningsfeedback is vereist voor de agent om te leren welke actie het beste is; dit staat bekend als het versterkingssignaal.
Machine learning maakt analyse van enorme hoeveelheden data mogelijk. Hoewel het over het algemeen sneller en nauwkeuriger resultaten oplevert om winstgevende kansen of gevaarlijke risico ‘ s te identificeren, kan het ook extra tijd en middelen vergen om het goed te trainen. Het combineren van machine learning met AI en cognitieve technologieën kan het nog effectiever maken bij het verwerken van grote hoeveelheden informatie.
wilt u meer weten?
neem contact met ons op Vraag een DEMO aan
oorspronkelijk gepubliceerd in maart 2017, bijgewerkt in mei 2020