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
Custom AI model
Fine-tuned model
Een aangepast AI-model is een bestaand model dat extra is getraind voor één specifieke taak of organisatie. Het start als algemeen model en leert daarna verder van een kleinere set eigen voorbeelden, in plaats van helemaal opnieuw vanaf nul te trainen. Een helpdesk zet het model in om klantvragen te beantwoorden volgens de termen en de vaste werkwijze van de eigen organisatie.
Machine learning
Datagedreven AI
Data-Driven AI
Datagedreven AI is een vorm van kunstmatige intelligentie die patronen zoekt in grote hoeveelheden gegevens. Anders dan gewone software gebruikt het systeem geen vaste regels die een programmeur vooraf vastlegt, maar haalt die patronen met statistische technieken uit die gegevens en doet daarmee voorspellingen over nieuwe situaties. Een energiebedrijf schat zo hoeveel stroom huishoudens de komende dag nodig zullen hebben.
Machine learning
Decision tree learning
Decision tree learning
Leren met beslissingsbomen is een methode in machine learning die een voorspellend model als boom opbouwt. Anders dan software met vooraf vaste regels leidt het systeem de vragen zelf af uit bekende voorbeelden en volgt elk antwoord een tak. In het blad staat dan de voorspelde waarde, bijvoorbeeld of een bank een nieuwe leningaanvraag waarschijnlijk goedkeurt op basis van eerdere dossiers.
Machine learning
Density-based spatial clustering of applications with noise (DBSCAN)
Density-based spatial clustering of applications with noise (DBSCAN)
DBSCAN is een algoritme uit 1996 dat gegevenspunten in een dataset groepeert op basis van hun onderlinge dichtheid. Anders dan methoden die vooraf een vast aantal groepen vragen, verbindt het zelf punten in dichte gebieden en markeert losliggende punten als ruis of uitschieters. Zo kan een onderzoeker afwijkende metingen in een dataset herkennen, zonder vooraf te bepalen hoeveel groepen er bestaan.
Machine learning
Detectie-algoritme
Patroonherkenning is een algoritme dat objecten, afwijkingen of patronen in gegevens herkent. Het vergelijkt nieuwe gegevens met opgeslagen patronen en markeert wat overeenkomt of afwijkt, in plaats van alleen vaste regels van een programmeur te volgen. Een camera kan zo een voorwerp op een foto aanwijzen, en een meetsysteem kan een ongebruikelijke waarde in een reeks metingen als afwijking signaleren.
Machine learning
Dimensiereductie
Dimensionality Reduction
Dimensionaliteitsreductie is een methode die complexe gegevens eenvoudiger maakt door het aantal variabelen te verkleinen. Anders dan een gewone tabel, die elke variabele apart bewaart, maakt deze methode een kleinere groep kenmerken waarin de belangrijkste informatie van de gegevens behouden blijft. Daardoor blijft de kern van uitgebreide gegevens bruikbaar voor verdere analyse, ook als niet elke losse variabele wordt meegenomen.
Machine learning
Double descent
Double descent
Double descent is een verschijnsel waarbij de fout op nieuwe gegevens twee keer daalt als een model groeit. Een klein model en een heel groot model maken weinig fouten, maar bij ongeveer evenveel instelbare waarden als trainingsvoorbeelden is de fout groot. Dat wijkt af van de klassieke gedachte dat een model met meer instelbare waarden altijd slechter wordt op nieuwe gegevens.
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.