Machine learning (135)
Alle AI-termen binnen Machine learning, in gewone taal.
Machine learning
Adaptieve AI
Adaptable AI
Aanpasbare AI is een systeem dat gedrag, strategie of model aanpast bij een nieuwe omgeving, taak of gebruikersbehoefte. Bij gewone software liggen de regels vast in de code, terwijl dit systeem tijdens het gebruik zelf zijn aanpak of model bijstelt. Een webshop kan zo zelf andere producttips tonen wanneer het koopgedrag van klanten of het assortiment in de winkel verandert.
Machine learning
Adversarial distillation attack
Adversarial Distillation Attack
Een distillatie-aanval (adversarial distillation attack) is een heimelijke aanval die een AI-model nabootst. De aanvaller stuurt heel veel gerichte vragen naar een sterk model via gewone toegang, bewaart de antwoorden en traint daarmee een eigen, kleiner model, zonder toestemming van de maker. Dat eigen model kan zo bepaalde vaardigheden overnemen die anders veel extra tijd en rekenkracht kosten om zelf te ontwikkelen.
Machine learning
AI-topicclustering
AI Topic Clustering
AI-onderwerpclustering is een methode die zoekwoorden, teksten of zoekopdrachten automatisch in groepen van verwante onderwerpen zet. Anders dan handmatig clusteren op gelijke woorden, groepeert het systeem teksten op betekenis, gedeelde zoekresultaten en gedrag van gebruikers, ook als de formulering sterk verschilt. Zo ziet een redactie welke zoekwoorden en pagina's bij hetzelfde onderwerp horen en kan zij die samen behandelen, zonder elk trefwoord apart te beoordelen.
Machine learning
AI-trainer
AI trainer
Een AI-trainer is een persoon die AI-systemen verbetert met feedback en voorbeelden. Anders dan gewone software, die vaste regels van een programmeur volgt, leert het systeem van menselijke oordelen: de trainer beoordeelt antwoorden, wijst fouten aan en geeft betere voorbeelden. Die feedback, zoals een verbeterd antwoord of een vergelijking van twee reacties, wordt trainingsmateriaal, zodat een chatbot later duidelijkere en veiligere antwoorden geeft aan gebruikers.
Machine learning
Automated machine learning (AutoML)
Automated machine learning (AutoML)
Automated machine learning (AutoML) is een vakgebied binnen machine learning dat modellen automatisch instelt. Waar een specialist zelf het model en de instellingen kiest, test AutoML bijvoorbeeld veel opties en houdt het de combinatie met de hoogste score. Een organisatie kan zo een model laten kiezen dat nieuwe meldingen in categorieën indeelt, op basis van hoe vaak die indeling juist is.
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.




