Waarom is dit belangrijk?
Dankzij gesuperviseerd leren kunnen computers een categorie toekennen of een getal schatten bij nieuwe gegevens. In wetenschappelijk onderzoek en op de werkvloer helpt het bij het filteren van spam, het lezen van handschrift en het rangschikken van zoekresultaten. Werknemers en gebruikers krijgen daardoor sneller orde in berichten en documenten, maar het systeem kan de voorbeelden te strak volgen en nieuwe gevallen dan missen.
Zo werkt het in de praktijk
Energiebedrijven gebruiken gesuperviseerd leren om schade aan zonnepanelen te vinden en onderhoud aan windturbines te plannen. Zij voorspellen er ook de opbrengst van duurzame installaties mee. In de zorg deelt een model op patiëntendossiers ziekten in of schat het het verdere verloop.
Onderzoek naar duurzame energiesystemen bekijkt hoe gesuperviseerd leren de stroomvraag voorspelt. Kell en collega’s groeperen klanten met een vergelijkbaar verbruik via slimme meters. Per groep trainen zij daarna een eigen prognosemodel.
Teams volgen CRISP-DM, een stappenplan voor datamining van de bedrijfsvraag tot de ingebruikname. IBM zette dit plan in het product SPSS Modeler. CRISP-ML(Q) vult het aan met controle achteraf, omdat een model na ingebruikname kan verslechteren.




