Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

Representationeel leren (het leren van representaties)

Engels: Representation learning · Ook wel: representation learning, feature learning, representatieleren

In het kort

Representatieleren (feature learning) is een methode in machine learning waarbij een systeem zelf kenmerken uit ruwe gegevens haalt. Het systeem zoekt die kenmerken zelf in ruwe beelden of tekst, in plaats van vaste regels die een programmeur vooraf bedenkt. Die aanpak helpt zo bij beeldherkenning, bijvoorbeeld als een systeem een kat op een foto herkent zonder vooraf beschreven oren of vacht.

Waarom is dit belangrijk?

Grote hoeveelheden uiteenlopende gegevens worden daardoor bruikbaar voor het herkennen van afwijkingen die in losse controles verdwijnen. In de zorg onderzoekt de KU Leuven representatieleren om zorgverzekeraars te helpen afwijkende profielen op te sporen. Voor verzekerden en medewerkers in de zorg kunnen beslissingen dan steunen op gevonden patronen die lastig te controleren zijn en ook vooroordelen uit de gegevens kunnen bevatten.

Zo werkt het in de praktijk

Onderzoekers bij Google gebruiken representatieleren in Word2vec. Het model maakt van elk woord een vector uit de omringende woorden in een grote tekst. Die vectoren dienen daarna als invoer voor zoeken en voor het indelen van tekst.

Onderzoek vraagt welke woordweergave een model het beste ondersteunt. In 2003 leerden Yoshua Bengio en collega's die representaties samen met de kans op woordreeksen. Een Google-team presenteerde Word2vec in 2013 op ICLR, om dit leren snel te houden bij grote tekst.

Representatieleren sluit aan op zelfgesuperviseerd leren. Het systeem maakt daarbij zelf oefenparen uit elk datapunt, zonder labels van een mens. Woordvectoren leren zo de structuur van de tekst.

Bron: en.wikipedia.org

Gecontroleerd op 5 november 2026