Machine learning (135)
Alle AI-termen binnen Machine learning, in gewone taal.
Machine learning
Computationele intelligentie (CI)
Computational intelligence (CI)
Computationele intelligentie (CI) is het vermogen van een computer om een concrete taak te leren uit data of waarnemingen. Het systeem gebruikt methoden die lijken op het brein of op natuurlijke evolutie, en past zich aan waar een vast rekenmodel tekortschiet. Zo herkent het terugkerende patronen in meetgegevens of zoekt het een bruikbare oplossing voor een complex en onzeker proces.
Machine learning
Computationele leertheorie
Computational learning theory
Computationele leertheorie is een deel van de theoretische informatica dat algoritmes voor machine learning ontwerpt en analyseert. Het vakgebied onderzoekt vooral leren met gelabelde voorbeelden en bepaalt hoeveel voorbeelden een algoritme nodig heeft en of die berekening in polynomiale tijd, dus binnen een haalbare rekentijd, klaar is. Dit soort analyse leverde praktische methoden op, want uit waarschijnlijk ongeveer correct leren ontstond boosting en uit de VC-theorie kwamen support vector machines.
Machine learning
Computer-automated design (CAutoD)
Computer-automated design (CAutoD)
Computergeautomatiseerd ontwerp (CAutoD) is een methode waarbij software zelf veel technische ontwerpen zoekt, toetst en verbetert. In tegenstelling tot computerondersteund ontwerpen (CAD) zoekt de software varianten met methoden uit machine learning die op evolutie en zwermgedrag lijken. Ingenieurs gebruiken het onder meer bij het ontwerp van auto's, staalconstructies, regelsystemen en composietmaterialen, en soms ook om geheel nieuwe systemen te vinden.
Machine learning
Conceptdrift
Concept drift
Conceptdrift is een onverwachte verandering in de statistische eigenschappen van de uitkomst die een model voorspelt. Bij gewone software blijven de regels gelijk, maar hier verandert de samenhang tussen de invoer en de te voorspellen uitkomst onvoorzien in de tijd. Daardoor worden de voorspellingen na verloop van tijd minder nauwkeurig, zoals wanneer een spamfilter nieuwe soorten spam niet meer goed herkent.
Machine learning
Constrained conditional model (CCM)
Constrained conditional model (CCM)
Een constrained conditional model (CCM) is een raamwerk voor machine learning dat voorwaardelijke modellen aanvult met vaste regels. Het leert eerst een eenvoudig model uit voorbeelden en past daarna die regels toe bij het kiezen van de uitkomst. Bij het inkorten van een lange zin kan een regel eisen dat een bijvoeglijk naamwoord alleen mag blijven samen met het bijbehorende onderwerp.
Machine learning
Continu leren
Continual Learning
Continual learning is een vorm van machine learning waarbij een AI-systeem stap voor stap leert van nieuwe gegevens. Anders dan een model dat bij elke nieuwe training oude kennis vaak kwijtraakt, bewaart dit systeem eerdere kennis en voegt nieuwe kennis daaraan toe. Een robot kan zo een nieuwe handeling leren en eerder geleerde taken in een fabriek toch goed blijven uitvoeren.
Machine learning
Contrastief leren
Contrastive Learning
Contrastive learning is een methode in machine learning waarbij een model leert door voorbeelden met elkaar te vergelijken. Anders dan software met vaste regels zoekt het model zelf wat gelijkende voorbeelden delen en wat hen van andere voorbeelden onderscheidt. Zo kan een beeldsysteem twee foto's van dezelfde kat als verwant herkennen en een losse foto van een auto daarvan onderscheiden.
Machine learning
Cosinusgelijkenis
Cosine similarity
Cosinusgelijkenis is een maat voor de hoek tussen twee getallenreeksen, van min 1 tot 1. Anders dan een gewone afstand telt alleen de richting mee en niet de lengte, zodat systemen embeddings vergelijken: getallen die de betekenis van tekst vastleggen. Een score dicht bij 1 wijst op sterke inhoudelijke overeenkomst, bijvoorbeeld wanneer een zoeksysteem twee zinnen over hetzelfde onderwerp als verwant herkent.
Machine learning
Crossover
Crossover
Crossover, ook recombinatie genoemd, is een bewerking in genetische algoritmen die twee ouder-oplossingen tot nakomelingen mengt. Het algoritme kiest toevallig onderdelen uit beide bestaande oplossingen en zet die samen tot nieuwe kandidaten, in plaats van één oplossing alleen te kopiëren. Die nieuwe oplossingen helpen de zoektocht naar andere antwoorden en krijgen meestal nog een kleine willekeurige verandering voordat het algoritme ze toevoegt aan de bestaande groep kandidaten.




