Begrippen die beginnen met E (10)
Alle AI-termen die beginnen met de letter E, in gewone taal.
Machine learning
Eager learning
Eager learning
Eager learning is een leermethode waarbij een systeem tijdens de training een algemeen model bouwt. Dat model geldt voor nieuwe invoer en staat klaar voor een vraag, anders dan bij lazy learning, waarbij het systeem pas bij een vraag verder kijkt dan de trainingsgegevens. Een neuraal netwerk is een voorbeeld: na de training geeft dezelfde vraag steeds hetzelfde antwoord, zonder dat die vraag het model nog verandert.
Machine learning
Early stopping
Early stopping
Early stopping is een methode die het trainen van een model voor machine learning op tijd laat stoppen. Bij elke ronde past het model zich beter aan de trainingsgegevens aan, maar na een punt stijgt de fout op nieuwe gegevens. De methode meet die fout op aparte gegevens die niet meedoen aan het trainen, en bewaart de versie die daar het beste presteert.
Machine learning
Embedding
Embedding
Een embedding is een reeks getallen die tekst, beeld of video als een vector voorstelt. Een model maakt die vector tijdens het trainen, zodat vergelijkbare betekenissen dicht bij elkaar liggen in plaats van als losse letters of pixels. Een taalmodel gebruikt die nabijheid om de context van tekst te begrijpen, en een zoeksysteem koppelt een vraag aan documenten met een vergelijkbare betekenis.
Machine learning
Ensemble learning
Ensemble learning
Ensemble learning is een methode in machine learning die meerdere algoritmen tot één model bundelt. Elk algoritme leert apart van gegevens en geeft een eigen voorspelling, waarna bijvoorbeeld een meerderheid van stemmen of een gemiddelde die uitkomsten tot één resultaat samenvoegt. Het doel is een betere voorspelling dan elk algoritme apart levert, zoals een random forest dat veel beslisbomen combineert om een categorie of waarde te schatten.
Machine learning
Ensemble methods
Ensemble Methods
Ensemblemethoden zijn technieken in machine learning die meerdere modellen combineren tot één gezamenlijke voorspelling. In plaats van één enkel model te gebruiken, zetten deze technieken meerdere modellen in die vaak zwakke leerders heten en voegen hun voorspellingen samen. De gezamenlijke voorspelling is daardoor nauwkeuriger en stabieler dan de uitkomst van een afzonderlijk model alleen, bijvoorbeeld wanneer een e-mailfilter spam in berichten herkent.
Machine learning
Epoch
Epoch
Een epoch is bij machine learning één ronde waarin een model de hele trainingsset één keer doorloopt. Een gewoon programma volgt vaste regels, terwijl een neuraal netwerk bij elke epoch zijn instellingen aanpast op basis van alle trainingsvoorbeelden. Kleine modellen trainen doorgaans zoveel epochs als nodig is om het best te presteren op een validatieset, een aparte set om de kwaliteit te meten, terwijl de grootste modellen soms maar één epoch trainen.
Machine learning
Error-driven learning
Error-driven learning
Error-driven learning is een leermethode binnen machine learning voor een systeem dat in een omgeving handelt. Het systeem kiest zelf acties en stuurt die bij met een foutsignaal uit de omgeving, zodat die fout steeds kleiner wordt. Dit is een vorm van reinforcement learning, omdat het systeem leert van terugkoppeling uit de omgeving en niet van een vaste reeks regels.
Machine learning
Evolutionair algoritme (EA)
Evolutionary algorithm (EA)
Een evolutionair algoritme is een optimalisatiemethode die een groep mogelijke oplossingen stap voor stap verbetert. Anders dan software met vaste regels bootst het biologische evolutie na: voortplanting, mutatie, recombinatie en selectie werken steeds opnieuw op de hele groep. Een maat voor kwaliteit, de fitnessfunctie, bepaalt welke varianten vaker doorgaan, bijvoorbeeld bij het zoeken naar een zuinig productontwerp of een planning van personeel.
Machine learning
Evolutionair rekenen
Evolutionary computation
Evolutionaire computatie is een groep algoritmen binnen kunstmatige intelligentie die zoeken naar goede oplossingen, naar het voorbeeld van biologische evolutie. Een programma houdt veel kandidaatoplossingen tegelijk bij en past ze stap voor stap aan met toeval en selectie, in plaats van één vaste rekenregel. Zo levert het systeem voor gebruikers een bruikbare oplossing voor lastige vraagstukken met heel veel mogelijke antwoorden.




