Machine learning (135)
Alle AI-termen binnen Machine learning, in gewone taal.
Machine learning
Embedding
Embedding
Een embedding is een reeks getallen die tekst, beeld of video als een vector voorstelt. Een model maakt die vector tijdens het trainen, zodat vergelijkbare betekenissen dicht bij elkaar liggen in plaats van als losse letters of pixels. Een taalmodel gebruikt die nabijheid om de context van tekst te begrijpen, en een zoeksysteem koppelt een vraag aan documenten met een vergelijkbare betekenis.
Machine learning
Ensemble learning
Ensemble learning
Ensemble learning is een methode in machine learning die meerdere algoritmen tot één model bundelt. Elk algoritme leert apart van gegevens en geeft een eigen voorspelling, waarna bijvoorbeeld een meerderheid van stemmen of een gemiddelde die uitkomsten tot één resultaat samenvoegt. Het doel is een betere voorspelling dan elk algoritme apart levert, zoals een random forest dat veel beslisbomen combineert om een categorie of waarde te schatten.
Machine learning
Ensemble methods
Ensemble Methods
Ensemblemethoden zijn technieken in machine learning die meerdere modellen combineren tot één gezamenlijke voorspelling. In plaats van één enkel model te gebruiken, zetten deze technieken meerdere modellen in die vaak zwakke leerders heten en voegen hun voorspellingen samen. De gezamenlijke voorspelling is daardoor nauwkeuriger en stabieler dan de uitkomst van een afzonderlijk model alleen, bijvoorbeeld wanneer een e-mailfilter spam in berichten herkent.
Machine learning
Epoch
Epoch
Een epoch is bij machine learning één ronde waarin een model de hele trainingsset één keer doorloopt. Een gewoon programma volgt vaste regels, terwijl een neuraal netwerk bij elke epoch zijn instellingen aanpast op basis van alle trainingsvoorbeelden. Kleine modellen trainen doorgaans zoveel epochs als nodig is om het best te presteren op een validatieset, een aparte set om de kwaliteit te meten, terwijl de grootste modellen soms maar één epoch trainen.
Machine learning
Error-driven learning
Error-driven learning
Error-driven learning is een leermethode binnen machine learning voor een systeem dat in een omgeving handelt. Het systeem kiest zelf acties en stuurt die bij met een foutsignaal uit de omgeving, zodat die fout steeds kleiner wordt. Dit is een vorm van reinforcement learning, omdat het systeem leert van terugkoppeling uit de omgeving en niet van een vaste reeks regels.
Machine learning
Evolutionair algoritme (EA)
Evolutionary algorithm (EA)
Een evolutionair algoritme is een optimalisatiemethode die een groep mogelijke oplossingen stap voor stap verbetert. Anders dan software met vaste regels bootst het biologische evolutie na: voortplanting, mutatie, recombinatie en selectie werken steeds opnieuw op de hele groep. Een maat voor kwaliteit, de fitnessfunctie, bepaalt welke varianten vaker doorgaan, bijvoorbeeld bij het zoeken naar een zuinig productontwerp of een planning van personeel.
Machine learning
Evolutionair rekenen
Evolutionary computation
Evolutionaire computatie is een groep algoritmen binnen kunstmatige intelligentie die zoeken naar goede oplossingen, naar het voorbeeld van biologische evolutie. Een programma houdt veel kandidaatoplossingen tegelijk bij en past ze stap voor stap aan met toeval en selectie, in plaats van één vaste rekenregel. Zo levert het systeem voor gebruikers een bruikbare oplossing voor lastige vraagstukken met heel veel mogelijke antwoorden.
Machine learning
Evolving classification function (ECF)
Evolving classification function (ECF)
Een evoluerende classificatiefunctie (ECF) is een methode voor machine learning die nieuwe gegevens in klassen en groepen indeelt. Anders dan een model dat één keer wordt getraind, werkt zij op een datastroom en past groepen en klassen aan als de gegevens veranderen. Zo houdt een systeem de indeling bij van gegevens die blijven binnenkomen, ook wanneer hun patroon langzaam verschuift.
Machine learning
Fast-and-frugal trees
Fast-and-frugal trees
Een fast-and-frugal tree is een eenvoudige beslisboom die een geval in een categorie indeelt. Anders dan een gewone classificatieboom stelt het model de kenmerken in een vaste volgorde en stopt met weinig informatie zodra één antwoord al een klasse of een bijbehorende actie oplevert. Op de spoedeisende hulp helpt zo'n boom artsen snel kiezen tussen een gewone verpleegafdeling en de hartbewaking.




