Dé kennispartner van de digitale transformatie
Header Deep Learning

Machine Learning (ML)

De term Machine Learning heb je ongetwijfeld al wel eens voorbij horen. Machine Learning is een vorm van Kunstmatige Intelligentie (AI) die is gericht op het bouwen van algoritmes die van verwerkte datasets kunnen leren of data gebruiken om beter te kunnen presteren. AI en Machine Learning worden vaak als hetzelfde gezien, maar niets is minder waar. Machine Learning is namelijk altijd AI, maar AI is niet altijd Machine Learning.

Wat houdt Machine Learning in?

Machine Learning is de manier waarom op de Kunstmatige Intelligentie (AI) leert. Dit gebeurt in algoritmes, momenteel worden twee soorten algoritmes gebruikt namelijk supervised machine learning en unsuperviced machine learning:

 

Deep Learning

Supervised Learning – In de meeste gevallen van Machine Learning zal Supervised Learning toegepast zijn om het algoritme te trainen. Zoals het woord eigenlijk al een beetje verraad wordt er met het ontwikkelen van het algoritme door een datawetenschapper meegekeken. Deze geeft aan welke conclusies correct zijn en leert hiermee het algoritme de goede conclusie te trekken. Net als bij het aanleren van woorden bij kinderen, dit is een stoel, dit is een tafel, krijgt het algoritme gelabelde data met een vaste uitkomst om te verwerken.

Unsupervised Learning Waar bij Supervised Learning nog een mens over de schouder van het algoritme kijkt is dit bij Unsupervised Learning niet het geval. Het algoritme leert in dit geval zichzelf patronen en complexe processen te doorgronden. Bij Unsupervised Learning krijgt het algoritme een ongelabelde dataset en moet hier zelf conclusies uithalen. Om bij het laatste voorbeeld te blijven krijgt dit algoritme een dataset met meubels en zal, bijvoorbeeld aan de hand van het model, kleur of vorm, een cluster maken in plaats dat hij de namen al kent.

 

Reinforcement Learning De laatste vorm van leren is Reinforcement Learning, waar een algoritme bovengenoemd werd getraind aan de hand van data dat al gelabeld is of gelabeld wordt, zal bij Reinforcement Learning “gedrag” worden bepaald. Wanneer het algoritme iets doet wat wenselijk is, dan wordt het beloond. Komt het echter met een foute conclusie, dan wordt het gestraft. Hierdoor zal het algoritme op zoek naar de beste lange termijn oplossing die er is omdat het dan het beste resultaat komt. De lange termijn doelen helpen tevens het “ophouden” bij subdoelen en het vermijden van negatieve resultaten. Het specificeren van positieve resultaten is uiterst belangrijk, wanneer er alleen maar straffen volgen kan dit leiden tot verrassende resultaten. Zo heeft een voetbalteam met robots weleens besloten om na het startsignaal gelijk buiten het veld te gaan staan zodat ze maar 1 keer “straf” zouden krijgen.

Toepassing van Machine Learning

Machine Learning wordt al heel veel om ons heen gebruikt en toegepast. Er zijn dan ook per sector meerdere toepassingen te benoemen of te bedenken. Uiteindelijk wordt het heel veel gebruikt voor analyses, voorspellingen en beeldherkenning.

Mega grote projecten waar direct een lampje gaat branden bij iedereen zijn AI projecten als SIRI van Apple en het zelfrijdend vermogen van Tesla. Beide gebruiken data om jou nog beter van dienst te zijn of hebben duizenden plaatjes bestudeerd om in te schatten wat een fietser, voetganger en auto is. Weleens aan moeten geven wat een verkeersbord is nadat je ergens gegevens hebt achtergelaten? Bewijs je daarmee dat je een mens bent, of ben je stiekem bezig om te helpen met Superviced Learning?

Een heel mooi voorbeeld van Machine Learning vinden we terug in de gezondheidzorg. Er zijn al meerdere Machine Learning modellen die artsen helpen om röntgenfoto’s en MRI-scan’s te interpreteren. Zo helpt deze met het vinden van bijvoorbeeld een botbreuk of kanker. Watson for Oncology van IBM is een model dat enorme hoeveelheden literatuur aan het verslinden is en onderzoekresultaten en andere data verwerkt. Hierdoor is het in staat om in een paar minuten informatie te analyseren waar een specialist anders weken over zou doen. Watson geeft geen advies op basis van een of meerdere patiënten, maar op basis van de huidige wetenschap.

Zoals gezegd kunnen we op deze manier nog wel even doorgaan met het opsommen van succesvolle Machine Learning modellen. Het mooie is namelijk dat het breed ingezet kan worden en de mogelijkheden eindeloos zijn. De vraag is dan ook, wat ga je er zelf mee doen?

 

Zelf leren Machine Learning maken?
Bekijk nu onze Masterclass Machine Learning

Bekijk de masterclass

Wie zijn MvR Academy en School of Datascience?

MvR Academy is een bedrijf dat is ontstaan vanuit MvR & Partners, wat al jaren een betrouwbare ondersteunende partner is van de publieke sector. De passie voor digitalisering en technologische ontwikkelingen heeft ervoor gezorgd dat MvR een Academy heeft opgericht om individuen en organisaties kennis op dit vlak mee te geven. Vanuit deze gedeelde passie is School of Data Science als partner van MvR Academy aangesloten om trainingen te geven over alles op het gebied van Data Science en Artificial Intelligence. School of Data Science is toonaangevend voor persoonlijke ontwikkeling op het gebied van de laatste ontwikkelingen op technologisch vlak.

In de spotlights
Er is nog veel meer! Machine Learning is een zeer breed onderwerp waar we veel traingen voor hebben. Neem daarom gerust contact op voor de andere mogelijkheden. Weet je niet waar je moet beginnen? Neem dan eerst eens de training Python Foundation.
Bekijk de training

Zij gingen je voor