Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

Begrippen die beginnen met B (9)

Alle AI-termen die beginnen met de letter B, in gewone taal.

9 resultaten
‹1›
Machine learning
Bayesiaans netwerk
Bayesian Networks
Een bayesiaans netwerk (ook wel probabilistisch netwerk) is een kansmodel dat afhankelijke factoren in een schema zet. In dat schema wijzen alle pijlen in één richting, zonder kringloop, en de kans van elke factor hangt alleen af van de factoren direct ervoor. Met nieuwe gegevens, zoals de klachten die een patiënt meldt, berekent het model hoe waarschijnlijk elk van de mogelijke ziekten is.
Machine learning
Bayesian programming
Bayesian programming
Bayesiaans programmeren is een methode om kansmodellen formeel te beschrijven en problemen met onvolledige informatie op te lossen. Anders dan gewone software met vaste regels legt het programma kansen tussen factoren vast, schat ontbrekende parameters uit meetgegevens en berekent een antwoord. Onderzoekers gebruiken deze aanpak bijvoorbeeld in robotica, zodat een robot een actie kiest als sensoren de omgeving maar deels waarnemen.
Machine learning
Benaderingsfout
Approximation error
Benaderingsfout is het verschil tussen een exacte waarde en een benadering daarvan. Bij afronding, een onnauwkeurige meting of een model dat een lastige functie benadert, wijkt de uitkomst af van de echte waarde. De absolute fout toont de grootte van dat verschil en de relatieve fout deelt die grootte door de exacte waarde, zodat grote en kleine getallen vergelijkbaar blijven.
Machine learning
Beslisboom
Decision Tree
Een beslissingsboom is een algoritme voor machine learning dat een voorspelling maakt met ja-neevragen. Anders dan software met vooraf bedachte regels zoekt het model in voorbeelden zelf naar vragen die de gegevens steeds verder splitsen, tot één conclusie overblijft. Een bank kan daarmee bepalen of een nieuwe leningaanvraag extra controle nodig heeft, op basis van kenmerken zoals inkomen, leeftijd en eerder betalingsgedrag.
Machine learning
Bias–variance tradeoff
Bias–variance tradeoff
De bias-variantie-afweging is een eigenschap van een verzameling voorspellende modellen in statistiek en machine learning. Bij minder bias (systematische afwijking) liggen schattingen gemiddeld dichter bij de echte parameter, maar ze lopen sterker uiteen tussen steekproeven, en omgekeerd. Die spanning bepaalt hoe betrouwbaar voorspellingen op nieuwe gegevens zijn: een te simpel model mist echte patronen, terwijl een te flexibel model toevallige ruis in de trainingsgegevens overneemt.
Machine learning
Bijenalgoritme
Bees algorithm
Het bees algorithm is een zoekmethode die het voedselzoeken van honingbijen nabootst om de beste oplossing te vinden. Een groep virtuele bijen beoordeelt kandidaatoplossingen als voedselbronnen: de beste plekken krijgen meer zoekers in de buurt en de rest verkent nieuwe gebieden. Het is bruikbaar bij optimalisatie van vaste keuzes en van doorlopende getallen, zolang de afstand tussen twee oplossingen te meten is.
Machine learning
Binaire classificatie
Binary classification
Binaire classificatie is een taak in machine learning waarbij een model een geval in precies twee categorieën indeelt. Het model leert, anders dan software met vaste regels, van voorbeelden met een bekend antwoord, zoals ja of nee, en berekent daarna hoe waarschijnlijk elk van beide uitkomsten is. Zo kan een systeem voorspellen of mensen wel of niet gaan stemmen bij de volgende verkiezingen.
Machine learning
Boosting
Boosting
Boosting is een methode in machine learning die meerdere losse modellen tot één gezamenlijke voorspelling samenvoegt. De modellen trainen na elkaar: elk volgend model bekijkt waar het vorige model fout zat en corrigeert die fouten, vooral om structurele afwijkingen (bias) te verkleinen. Zo worden deze terugkerende fouten kleiner, bijvoorbeeld bij het indelen van berichten of het schatten van een prijs.
Machine learning
Bootstrap-aggregatie
Bootstrap aggregating
Bootstrap aggregating (bagging) is een methode in machine learning die meerdere modellen combineert om de spreiding in voorspellingen te verkleinen. Elk model traint zelfstandig op een eigen willekeurige steekproef uit dezelfde gegevens, waarna het systeem het gemiddelde van alle voorspellingen neemt. Zo blijft een schatting stabieler wanneer de trainingsgegevens licht veranderen, bijvoorbeeld bij een model dat voor een bank het risico op wanbetaling van een klant inschat.