We hebben Machine Learning de afgelopen jaren gezien als een buzzwoord, de reden hiervoor zou de hoge mate van kennisproductie door toepassingen kunnen zijn, de opkomst van rekenkracht in de afgelopen jaren en daarmee de ontwikkeling van hogere algoritmes.

Machine Learning wordt overal ingezet, van het automatiseren van alledaagse taken tot het bieden van intelligente inzichten, industrieën in elke sector proberen ervan te genieten. U maakt al gebruik van een apparaat dat het gebruikt. bijvoorbeeld een draagbare fitness tracker zoals Fitbit, of een intelligente home assistant zoals Google Home. Maar er zijn nog veel meer voorbeelden van ML in gebruik.

Voorspelling – Machine learning kan ook worden gebruikt in de voorspellingssystemen. Gezien het leenvoorbeeld, om de kans op een fout te berekenen, zal het systeem de beschikbare gegevens in groepen moeten indelen.

Beeldherkenning – Machine learning wordt vaak ook gebruikt voor gezichtsdetectie in een foto. Er is een aparte categorie voor elke persoon tijdens een database van meerdere personen.

Spraakherkenning – het is de interpretatie van gesproken woorden in de tekst. het wordt gebruikt bij stemonderzoeken en meer. Spraakgestuurde gebruikersinterfaces zijn o.a. spraakgestuurd bellen, oproeproutering en apparaatbediening. Het kan ook worden gebruikt een eenvoudige gegevensinvoer en dus de voorbereiding van gestructureerde documenten.

Medische diagnoses – ML is getraind in het herkennen van kankerweefsel.

Financiële industrie en handel – bedrijven gebruiken ML bij fraudeonderzoeken en kredietcontroles.

Een snelle geschiedenis van machinaal leren

Het was in de jaren veertig van de vorige eeuw toen het primaire handcomputersysteem ENIAC (Electronic Numerical Integrator en Computer) werd uitgevonden. Op dat moment werd het woord “computer” gebruikt als een reputatie voor een persoon met intensieve numerieke rekenmogelijkheden, dus, ENIAC werd een numerieke rekenmachine genoemd! Nou, je zult zeggen dat het niets is om te proberen met leren?! WRONG, vanaf het begin was de gedachte om een machine te maken die klaar was om het menselijk denken en leren na te bootsen.

in de jaren vijftig van de vorige eeuw zien we het primaire videospelprogramma dat beweert klaar te zijn om de wereldkampioen dammen te verslaan. Dit programma hielp checkers spelers tonnen in het verbeteren van hun vaardigheden! rond dezelfde tijd, Frank Rosenblatt uitvinden van de Perceptron, die was een echt , zeer eenvoudige classifier, maar toen het was gecombineerd in grote aantallen, tijdens een netwerk, werd het een sterk monster. Nou, het monster is relatief ten opzichte van de tijd en daarin was het een echte doorbraak geweest. Dan zien we een aantal jaren van stagnatie van het neurale netwerk veld dankzij de moeilijkheden om bepaalde problemen op te lossen.

Dankzij de statistieken werd het machinaal leren in de jaren negentig van de vorige eeuw erg beroemd. Het snijpunt van computing en statistiek gaf geboorte aan probabilistische benaderingen in AI. Hierdoor verschoof de sector verder in de richting van data-gedreven benaderingen. Omdat er op grote schaal gegevens beschikbaar waren, begonnen wetenschappers met het bouwen van intelligente systemen die klaar waren om te analyseren en te leren van grote hoeveelheden kennis. Als hoogtepunt versloeg IBM’s Deep Blue systeem de schaakkampioen van de planeet, de grootmeester Garry Kasparov. Ja, ik weet dat Kasparov IBM ervan beschuldigde vals te spelen, maar dit is nu vaak een beetje geschiedenis en Deep Blue is rustig aan het rusten tijdens een museum.

Wat is machinaal leren?

Volgens Arthur Samuel stellen Machine Learning algoritmes de computers in staat om uit de gegevens te komen, en zichzelf zelfs te verbeteren, zonder dat ze expliciet geprogrammeerd zijn.

Machine learning (ML) kan een categorie van een algoritme zijn die het mogelijk maakt dat softwaretoepassingen accurater worden in het voorspellen van resultaten zonder dat ze expliciet geprogrammeerd zijn. het essentiële uitgangspunt van machine learning is het creëren van algoritmen die een inputbestand ontvangen en statistische analyse gebruiken om een output te voorspellen terwijl de output wordt geactualiseerd als er nieuwe gegevens beschikbaar komen.

https://miro.medium.com/max/720/1*zHuGSwosBKFOZNKweIpWqw.jpeg

Soorten machinaal leren?

Machinaal leren wordt vaak ingedeeld in 3 soorten algoritmes.

Begeleidend leren – [Link komt binnenkort tijdens een toekomstige blog]

Onbeheerd leren – [Link komt binnenkort tijdens een toekomstige blog]

Versterking Leren – [Link komt binnenkort tijdens een toekomstige blog]

Overzicht van het begeleide leeralgoritme

In Supervised learning wordt een AI-systeem gepresenteerd met gegevens die gelabeld zijn, wat suggereert dat elke gegevens gelabeld zijn met het juiste label.

https://miro.medium.com/max/904/1*af-tNiqd-3_ResjoDOFm5A.png

Het doel is om de mapping-functie zo goed mogelijk te benaderen, dat als je eenmaal een nieuw invoerbestand (x) hebt, je eenvoudigweg de uitgangsvariabelen (Y) voor die gegevens kunt voorspellen.

Zoals in het bovenstaande voorbeeld te zien is, hebben we in eerste instantie een aantal gegevens genomen en gemarkeerd als ‘Spam’ of ‘Niet Spam’. Deze gelabelde data wordt gebruikt door het trainingssupervisiemodel, deze data wordt gebruikt om het model te coachen.

Zodra het model is getraind zullen we het model testen door het te testen met een aantal nieuwe mails en het controleren van het model is in staat om de juiste output te voorspellen.

Soorten begeleid leren

Classificatie: Een classificatieprobleem is wanneer de outputvariabele een categorie kan zijn, zoals “rood” of “blauw” of “ziekte” en “geen ziekte”.

Regressie: Een regressieprobleem is wanneer de uitgangsvariabele een reële waarde kan zijn, zoals “dollars” of “gewicht”.

Overzicht van het Onbewaakte Leeralgoritme

Bij onbeheerd leren wordt een AI-systeem gepresenteerd met ongelabelde, ongecategoriseerde gegevens en daarom werken de algoritmen van het systeem in op de informatie zonder voorafgaande training. De output is afhankelijk van de gecodeerde algoritmen. Het onderwerpen van een systeem aan onbeheerd leren is een methode om AI te testen.

In het bovenstaande voorbeeld hebben we enkele karakters aan ons model gegeven die ‘Ducks’ en ‘Not Ducks’ zijn. In onze trainingsgegevens geven we geen enkel label aan de corresponderende gegevens. Het onbewaakte model is in staat om beide karakters te scheiden door het soort kennis te bekijken en de onderliggende structuur of verdeling binnen de data te modelleren om er meer over te weten te komen.

Soorten onbewaakt leren

Clustering: Een clusteringprobleem is waar je de inherente groeperingen binnen de data wilt krijgen, zoals het groeperen van klanten door middel van koopgedrag.

Associatie: Een associatie-regel-leerprobleem is waar je regels wilt krijgen die grote delen van je gegevens beschrijven, zoals mensen die X kopen ook de neiging hebben om te winkelen voor Y.

Overzicht van Versterkingsleren

https://miro.medium.com/max/542/1*sTXlD9Vo6shG8RLuigobvA.png

Een versterkend leeralgoritme, of agent, leert door interactie met zijn omgeving. De agent ontvangt beloningen door correct te presteren en boetes voor verkeerd presteren. De agent leert zonder tussenkomst van een persoon door zijn beloning te maximaliseren en zijn straf te minimaliseren. het is een soort dynamische programmering die algoritmes traint met behulp van een systeem van beloning en straf.

In het bovenstaande voorbeeld zien we dat de agent 2 opties krijgt, namelijk een pad met water of een pad met vuur. Een versterkingsalgoritme werkt op het belonen van een systeem, d.w.z. als de agent het vuurpad gebruikt dan worden de beloningen afgetrokken en probeert de agent erachter te komen dat hij het vuurpad moet vermijden. Als het het waterpad of het veilige pad had gekozen dan zouden sommige punten worden toegevoegd aan de beloningspunten, de agent zou dan proberen te leren welk pad veilig is en welk pad niet.

Het is in principe gebruik maken van de verkregen beloningen, de agent verbetert zijn omgeving kennis te kiezen volgende actie.