Begrippen die beginnen met S (11)
Alle AI-termen die beginnen met de letter S, in gewone taal.
Machine learning
Selectie
Selection
Selectie is de stap in een genetisch algoritme die kandidaten uit een groep oplossingen kiest om later te kruisen. Anders dan software met vaste regels geeft selectie elke oplossing een score, de fitness, en kiest vaker de betere oplossingen om mee te kruisen. Zo geeft kruising vaker kenmerken van sterke oplossingen door, waardoor het algoritme verder zoekt naar een uitkomst die het probleem beter oplost.
Machine learning
Semi-gesuperviseerd leren
Semi-supervised learning
Semi-gesuperviseerd leren is een trainingsmethode in machine learning die weinig gelabelde data combineert met veel ongelabelde data. Het model leert tijdens de training eerst van voorbeelden met een menselijk label en gebruikt daarna een veel grotere hoeveelheid voorbeelden zonder label. Zo kan een systeem nieuwe foto's of teksten automatisch indelen, terwijl mensen maar een klein deel van alle voorbeelden handmatig hoeven te markeren.
Machine learning
Similarity learning
Similarity learning
Similarity learning is een vorm van begeleid leren die meet hoe sterk twee objecten op elkaar lijken. Het ligt dicht bij classificatie en regressie, maar het model leert een gelijkenisfunctie: die geeft aan hoe verwant twee objecten zijn, op basis van voorbeelden. Zo rangschikt een aanbevelingssysteem verwante items, of controleert een systeem of twee gezichten of twee stemmen bij dezelfde persoon horen.
Machine learning
Sparse dictionary learning
Sparse dictionary learning
Sparse dictionary learning, ook sparse coding genoemd, is een methode om een spaarzame weergave van gegevens te leren. Het systeem leert zelf een woordenboek van basisstukken (atomen) en zet elk voorbeeld om in een gewogen optelsom van weinig van die stukken. Zo kan een computer beelden comprimeren of ruis uit een foto verwijderen, omdat het woordenboek op de gegevens is getraind.
Machine learning
State–action–reward–state–action (SARSA)
State–action–reward–state–action (SARSA)
SARSA is een algoritme voor reinforcement learning dat een gedragsregel leert voor opeenvolgende keuzes. Het slaat per stap de situatie, de gekozen actie, de beloning, de volgende situatie en de volgende actie op, en past de score van die keuze aan op de actie die het programma echt neemt. Daardoor leert een robot of een spelprogramma welke reeks acties op termijn meer beloning geeft, ook tijdens het uitproberen.
Machine learning
Statistical relational learning (SRL)
Statistical relational learning (SRL)
Statistisch relationeel leren, soms relationeel machine learning genoemd, is een onderdeel van machine learning voor domeinen met onzekerheid en relaties. Anders dan modellen voor losse voorbeelden beschrijft het algemene verbanden tussen objecten met logische regels en schat de kans daarvan met statistische modellen. Zo past een systeem één regel toe op veel vergelijkbare gevallen en houdt het rekening met onvolledige of onzekere gegevens.
Machine learning
Statistische classificatie
Statistical classification
Statistische classificatie is een methode in machine learning die nieuwe gegevens in een bekende categorie indeelt. Het model leert van voorbeelden met een bekende categorie en zoekt daarin patronen, in plaats van vaste regels van een programmeur. Zo plaatst een filter een nieuwe e-mail bij spam of geen spam, en koppelt een model een diagnose aan kenmerken zoals bloeddruk en klachten.
Machine learning
Stochastic optimization (SO)
Stochastic optimization (SO)
Stochastische optimalisatie is een methode die toevalsvariabelen maakt en gebruikt om de beste oplossing te zoeken. Bij stochastische problemen zit het toeval in het doel of in de voorwaarden, terwijl het bij sommige methoden in de rekenstappen zit. Sommige methoden combineren beide vormen en passen zo vaste rekenmethoden toe op situaties met onzekerheid, zoals een nog onbekende vraag naar een product.
Machine learning
Structure Learning
Structure Learning
Structure learning is een methode die de onderliggende opbouw van gegevens als een netwerk van knopen en verbindingen ontdekt. Het systeem zoekt zelf verbanden, afhankelijkheden en wisselwerkingen tussen onderdelen, in plaats van vaste regels die een programmeur vooraf bedenkt. Onderzoekers zien zo precies welke onderdelen in een dataset met elkaar samenhangen, ook als die gegevens nog geen vaste tabelvorm hebben.




