Machine learning (135)
Alle AI-termen binnen Machine learning, in gewone taal.
Machine learning
Junction tree algorithm
Junction tree algorithm
Het junction tree-algoritme is een methode in machine learning om kansen in een netwerk met lussen te berekenen. Anders dan bij een gewoon netwerk groepeert het eerst variabelen tot grotere knopen en vormt zo een boom zonder lussen. Daarna geeft het berichten door tussen de knopen van die boom, zodat voor elke variabele de exacte kans uit het hele netwerk volgt.
Machine learning
K-means clustering
K-means clustering
K-means clustering is een methode die alle waarnemingen verdeelt over een vooraf gekozen aantal groepen. Iedere waarneming hoort bij de groep waarvan het gemiddelde, dus het middelpunt, het dichtstbij ligt, en dat punt dient als voorbeeld van de groep. Een webwinkel kan zo klanten met een vergelijkbaar koopgedrag in dezelfde groep plaatsen en voor die groep een passende aanbieding kiezen.
Machine learning
K-nearest neighbors
K-Nearest Neighbors
k-dichtste buren (k-NN) is een methode in machine learning voor classificatie en regressie. Het slaat bekende voorbeelden alleen op, meet de afstand tot een nieuw gegeven en neemt de meest voorkomende klasse of het gemiddelde van de k dichtstbijzijnde voorbeelden. Zo krijgt een onbekende vrucht het label appel wanneer de meeste nabije voorbeelden, gemeten op kenmerken zoals hoogte en breedte, appels zijn.
Machine learning
Kenmerk
Feature
Een kenmerk (feature) is een meetbare eigenschap van een verschijnsel, zoals een getal of een detail in een beeld. Een model gebruikt kenmerken als invoer om een waarneming te beschrijven en daarmee te voorspellen, in te delen of patronen te herkennen. Bij beeldherkenning is een kenmerk vaak een rand, een punt of een voorwerp, of de uitkomst van een bewerking op een deel van de foto.
Machine learning
Kenmerkextractie
Feature extraction
Kenmerkextractie is een methode in machine learning die uit een eerste reeks gemeten gegevens nieuwe kenmerken afleidt. Die afgeleide waarden zijn informatief en bevatten weinig dubbele informatie, zodat een model daarna beter leert en nieuwe situaties aankan. Bij beeldverwerking zet de methode ruwe pixelmetingen om in duidelijkere kenmerken, wat het leren ondersteunt en de uitkomst soms ook voor mensen begrijpelijker maakt.
Machine learning
Kenmerkselectie
Feature selection
Featureselectie (variabelenselectie) is een methode in machine learning die een deel van de relevante kenmerken kiest voor een model. Een analist of algoritme kiest variabelen en voorspellers die het model gebruikt en laat de overige kenmerken buiten de bouw van het model. Zo bouwt een ziekenhuis een voorspellend model met alleen de bloedwaarden die samenhangen met een diagnose, en niet met elke losse meting uit het dossier.
Machine learning
Kennisdistillatie
Knowledge Distillation
Knowledge distillation is een methode in machine learning waarbij een kleiner model, de leerling, een groter model, de leraar, nabootst. Bij gewone training leert een model van vaste juiste antwoorden, terwijl de leerling hier de kansen nabootst die de leraar per voorbeeld geeft. Daardoor heeft het kleine model minder rekenkracht nodig en kan het op een telefoon of ander klein apparaat draaien.
Machine learning
Kernelmethode
Kernel method
Een kernelmethode is een rekenmethode binnen machine learning die patronen en relaties in gegevens zoekt. In plaats van die gegevens eerst om te rekenen naar een ruimte met veel extra kenmerken, meet een kernelfunctie alleen hoe sterk elk paar voorbeelden op elkaar lijkt. Zo kan een methode die normaal alleen rechte grenzen trekt, zoals de supportvectormachine, toch kromme grenzen tussen groepen vinden en bijvoorbeeld nieuwe handgeschreven letters herkennen.
Machine learning
Klassieke machine learning
Classic Machine Learning
Klassiek machinaal leren (machine learning) is een groep traditionele algoritmen voor gestructureerde gegevens in tabellen. Anders dan software met vaste regels zoeken deze algoritmen zelf patronen in kolommen met getallen of categorieën, en zij gebruiken geen neurale netwerken of deep learning. Methoden zoals beslissingsbomen, supportvectormachines, de k-dichtstbijzijnde buren, lineaire en logistische regressie en naïeve Bayes schatten zo in een klantentabel wie een lening waarschijnlijk terugbetaalt.




