Naar inhoud
BetaAI Begrippen

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

Machine learning (135)

Alle AI-termen binnen Machine learning, in gewone taal.

135 resultaten
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.
Machine learning
Subsymbolische AI
Sub-Symbolic AI
Subsymbolische AI is een vorm van kunstmatige intelligentie met een netwerk van verbonden eenheden, geïnspireerd op neuronen in de hersenen. Anders dan software met vaste symbolen en regels past het model tijdens het trainen de sterkte van die verbindingen aan met veel voorbeelden. Zo herkent een systeem gezichten op foto's en woorden in gesproken taal, ook als het beeld of het geluid steeds een beetje anders is.
Machine learning
Support vector machines
Support vector machines
Een support vector machine is een model voor gecontroleerd machinaal leren dat gegevens indeelt in klassen of een getal schat. Het zoekt tijdens de training een scheidingsvlak dat de klassen scheidt met zoveel mogelijk ruimte tot de dichtstbijzijnde voorbeelden, de support vectors. Die grens helpt om nieuwe gevallen in te delen, bijvoorbeeld een binnenkomende e-mail als spam of als gewone post.
Machine learning
Temporal difference learning
Temporal difference learning
Temporal difference learning is een groep methoden voor reinforcement learning, leren door beloning, zonder model van de omgeving. Het haalt stappen uit de omgeving en werkt de schatting meteen bij met de beloning en de eigen schatting van de volgende situatie. Zo leert een computer tijdens een spel al welke zetten later meer beloning opleveren, zonder te wachten tot de partij klaar is.
Machine learning
Thompson sampling
Thompson sampling
Thompson sampling is een methode die bij herhaalde keuzes een optie kiest terwijl de beloning onzeker blijft. Het systeem trekt telkens een toevallige inschatting uit wat het tot dan toe heeft geleerd en kiest de optie die volgens die inschatting de meeste beloning geeft. Zo blijft het opties gebruiken die al een hoge beloning gaven en test het tegelijk andere opties, zoals welke producten een webshop vooraan zet.
Machine learning
Transfer learning
Transfer Learning
Transfer learning is een methode in machine learning die kennis van de ene taak hergebruikt. In plaats van helemaal opnieuw te leren gebruikt een vooraf getraind model die kennis voor een verwante taak en wordt het bijgesteld op nieuwe gegevens of een nieuw doel. Zo herkent een model dat auto's op foto's leerde onderscheiden, na die bijstelling ook foto's van vrachtwagens.
Machine learning
Tuning
Tuning
Tuning is een methode om een bestaand basismodel nauwkeuriger te maken voor een specifieke taak. Anders dan een prompt, die het model alleen stuurt, past tuning stapsgewijs een deel of alle interne instellingen aan met gelabelde voorbeelden van invoer en uitvoer. Met een gelabelde dataset van meer dan honderd voorbeelden voert het model unieke of complexe taken zoals classificeren, vertalen en samenvatten nauwkeuriger uit.
Machine learning
Underfitting
Underfitting
Underfitting is een situatie waarin een model te simpel blijft om de echte patronen in data te leren. Het model vindt te weinig verband tussen invoer en uitkomst en maakt daarom grote fouten, zowel op trainingsgegevens als op nieuwe gegevens. Een rechte lijn door een gebogen verband, zoals prijzen die niet recht omhoog lopen, voorspelt daardoor structureel de verkeerde uitkomst.
Machine learning
Verliesfunctie
Loss Function
Een verliesfunctie, ook wel een kostenfunctie genoemd, is een wiskundige maat voor de fout van een machine learning-model. De functie vergelijkt de voorspellingen van het model met de juiste, bekende waarden en drukt dat verschil uit in één getal. Een groot getal betekent dat de voorspelling ver van de juiste waarde af ligt, een klein getal dat die voorspelling bijna klopt.