machine learning


Eigenschappen

Voorkeurslabelmachine learning
AfkortingML
DefinitieMachine learning ( ML ) is de wetenschappelijke studie van algoritmen en statistische modellen die computersystemen gebruiken om een ​​specifieke taak uit te voeren zonder expliciete instructies te gebruiken, in plaats daarvan vertrouwend op patronen en gevolgtrekking . Het wordt gezien als een subset van kunstmatige intelligentie .
SynoniemAutomatisch leren, machinaal leren
Toelichting op definitieMachine learning-algoritmen bouwen een wiskundig model op basis van voorbeeldgegevens, ook wel ' trainingsgegevens ' genoemd, om voorspellingen of beslissingen te nemen zonder expliciet te zijn geprogrammeerd om de taak uit te voeren. Machine learning-algoritmen worden gebruikt in een grote verscheidenheid aan toepassingen, zoals e-mailfiltering en computervisie , waar het moeilijk of onhaalbaar is om een ​​conventioneel algoritme te ontwikkelen om de taak effectief uit te voeren.

Machine learning is nauw verwant aan computationele statistiek , die zich richt op het maken van voorspellingen met computers. De studie van wiskundige optimalisatie levert methoden, theorie en toepassingsdomeinen op het gebied van machine learning. Datamining is een studiegebied binnen machine learning en richt zich op verkennende data-analyse door middel van leren zonder toezicht . Machine learning wordt in zijn toepassing op zakelijke problemen ook wel voorspellende analyses genoemd .

Machine learning. Machine learning, of automatisch leren, is een behoorlijk breed onderzoeksveld binnen kunstmatige intelligentie en software-ontwikkeling. In de software-ontwikkeling verwijst machine learning naar de ontwikkeling van algoritmes en van begeleidende software waarmee computers kunnen leren. Deze software wordt beter in zijn taak naarmate het deze vaker uitvoert. De ontwikkelende performance van machine learning software wordt uitgedrukt met de volgende formule.

T = Task X = Number of exercises P = Performance

T x X = P

Machine learning leunt sterk op statistische (data-)analyse en is gericht op algoritmische complexiteit in programma’s. Tevens is machine learning sterk gerelateerd aan data mining, waarbij op een geautomatiseerde manier wordt gezocht naar relaties of voorkomende patronen in een grote hoeveelheid data.

Machine learning is ruwweg te verdelen in drie categorieën:

Supervised machine learning Supervised learning gebruikt data die gelabeld is door mensen. Supervised data wordt voornamelijk gebruikt om gebeurtenissen te voorspellen. 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 een serie inputs in combinatie met de corresponderende (verlangde) outputs en de vergelijking met ongewenste outputs. Op basis van de discrepantie daartussen 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 tagt op een aantal foto’s, dan is de software in staat deze mensen voortaan te herkennen en zelfstandig te taggen op foto’s.

Classification Een subcategorie van supervised machine learning is classification. Classification kan het beste worden gedefinieerd als de pogingen om een output te voorspellen wanneer de input bekend is. Om dit te kunnen doen heeft het model behoefte aan een gelabeld voorbeeld in de vorm van tekst, spraak of een afbeelding.

Unsupervised machine learning Voor data die niet gelabeld is, leent unsupervised learning zich het beste. In deze variant 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, waarbij data georganiseerd wordt op basis van overeenkomstige kenmerken.

Reinforcement machine learning

Deze manier van machine learning is sterk gebaseerd op een theorie uit de psychologie. Reinforcement behavior is niets anders dan leren door trial and error. Daar is een computer bij uitstek toe in staat. In het geval van reinforcement learning onderzoekt een computer de ideale uitkomst door deze veelvuldig te simuleren. Deze vorm van machine learning wordt veel gebruikt bij navigatie-applicaties of gaming.
Exacte overeenkomsthttps://en.wikipedia.org/wiki/Machine_learning
Bijna overeenkomsthttps://www.globalorange.nl/artificial-intelligence-machine-learning-en-deep-learning
Afbeelding vangiphy-1.gif, https://i2.wp.com/semiengineering.com/wp-content/uploads/2018/01/MLvsDL.png?resize=733%2C405&ssl=1, https://irishtechnews-ie.exactdn.com/wp-content/uploads/2019/03/AI_vs_ML-759x500.jpg?lossy=1&ssl=1
Video van
StatusConcept

Relaties

VertrekpuntRelatieEindpunten
machine learningBreder
machine learningBron van

Afgeleide relaties

VertrekpuntRelatieEindpunt
supervised learning (Begrip)Bredermachine learning
unsupervised learning (Begrip)Bredermachine learning
machine learning model (Begrip)Deel vanmachine learning
DEEP (Begrip)Gerelateerdmachine learning
algoritme (Begrip)Gerelateerdmachine learning
deep learning (Begrip)Gerelateerdmachine learning
kunstmatig neuraal netwerk (Begrip)Gerelateerdmachine learning
Rdf.jpg