Machine learning (135)
Alle AI-termen binnen Machine learning, in gewone taal.
Machine learning
Feature learning
Feature learning
Feature learning, ook representation learning, is een verzameling technieken waarmee een systeem zelf kenmerken uit ruwe data haalt. In plaats van kenmerken die een specialist vooraf bedenkt, zoekt het systeem zelf patronen en maakt daar een weergave van die past bij herkenning of classificatie. Een beeldmodel leert zo randen en vormen uit foto's en gebruikt die om objecten te herkennen, zonder dat iemand die kenmerken eerst heeft beschreven.
Machine learning
Feedback-loop
Feedback loop
Een feedbacklus is een herhalend proces waarbij de output van een AI-systeem dient om dat systeem te verbeteren. Anders dan bij vaste programmaregels krijgt de output een beoordeling, zoals een correctie of een score, en die beoordeling stuurt latere antwoorden bij. Een aanbevelingssysteem gebruikt zo welke voorstellen gebruikers accepteren of afwijzen, en kiest de volgende voorstellen op basis van die signalen.
Machine learning
Few-shot learning
Few-Shot Learning
Few-shot learning is een methode in machine learning waarbij een model een nieuwe taak leert met weinig voorbeelden. Gewone modellen trainen vaak met honderden of duizenden voorbeelden, terwijl few-shot learning eerder geleerde kennis gebruikt en die met een handvol nieuwe voorbeelden aanpast. Zo kan een model een zeldzame diersoort of een zeldzame ziekte herkennen nadat het maar enkele gelabelde voorbeelden van die categorie heeft gezien.
Machine learning
Fine-tuning
Fine-Tuning
Fine-tuning is een methode in machine learning die een vooraf getraind model aanpast aan één specifieke taak. Het model traint verder op een kleinere, taakgerichte dataset en met een lagere leersnelheid, zodat de brede kennis uit de eerste training blijft. Een klantenservice gebruikt zo een algemeen taalmodel (de techniek achter chatbots) dat antwoorden schrijft in de termen en de toon van het bedrijf.
Machine learning
Finetuning
Finetuning
Finetuning (verfijning) is extra training van een al getraind model met nieuwe gegevens. Het model leert zo een taak, een vakgebied of een stijl, en dat kost meestal minder rekenkracht dan een vergelijkbaar model vanaf het begin trainen. Een helpdesk kan een chatbot zo verder trainen op eigen klantvragen, maar moet oppassen dat andere vaardigheden van het model niet verzwakken.
Machine learning
Gedeeltelijk waarneembaar Markov-beslissingsproces (POMDP)
Partially observable Markov decision process (POMDP)
Een gedeeltelijk waarneembaar Markov-beslissingsproces (POMDP) is een model voor keuzes wanneer de echte toestand verborgen blijft. Anders dan een gewoon Markov-beslissingsproces ziet het systeem die toestand niet rechtstreeks en houdt het met waarnemingen en hun kansen een kansverdeling bij over mogelijke toestanden. Een onderhoudssysteem kiest zo het moment om een machine te vervangen, terwijl het de slijtage alleen via metingen schat.
Machine learning
Gefedereerd leren
Federated Learning
Federatief leren is een methode van machine learning waarbij één model leert van lokale gegevens op verspreide apparaten of servers. De gegevens blijven op hun eigen plek en gaan niet naar één centrale computer, zoals bij gewoon machine learning het geval is. Zo kunnen verschillende ziekenhuizen samen één model trainen op gegevens van patiënten, terwijl die gegevens in het eigen ziekenhuis blijven.
Machine learning
Generalisatie
Generalization
Generalisatie is het begrip dat mensen, dieren en kunstmatige neurale netwerken eerder geleerde kennis gebruiken in een nieuwe leersituatie. Een kunstmatig neuraal netwerk past die kennis toe als de nieuwe situatie op de eerdere lijkt, terwijl gewone software alleen vaste regels volgt. Zo gebruikt een neuraal netwerk eerdere oefening met handschrift om een nieuwe en vergelijkbare schrijfstijl te leren lezen.
Machine learning
Generalisatiefout
Generalization error
De generalisatiefout is een maat voor hoe nauwkeurig een leerprogramma uitkomsten voorspelt bij nog onbekende gegevens. Bij leren met voorbeelden en juiste antwoorden verschilt die fout van de score op de oefengegevens: het programma kan die voorbeelden bijna perfect nabootsen en toch missers maken bij nieuwe gevallen. Een lage generalisatiefout laat zien dat een spamfilter ook nieuwe berichten herkent die niet bij de oefenvoorbeelden zaten.




