Wat is Machine Learning?

Machine Learning is de wetenschap dat computers leren en handelen zoals mensen dat doen. In de loop van de tijd leren zo dit zelf te verbeteren, door data aan te bieden in de vorm van real-world observaties.

De bovenstaande definitie is het uiteindelijke doel van Machine Learning. Het doel van dit artikel is om je inzicht te geven over hoe Machine Learning werkt.

Hoe komt deze definitie tot stand?

Afhankelijk van wie je spreekt kan, zoals met elk concept, Machine Learning een iets andere definitie hebben. Vier praktische definities:

1. “De eenvoudigste vorm van Machine Learning is de praktijk om algoritmen te gebruiken om data te ontleden, er van te leren en vervolgens een voorspelling te maken over iets in de wereld.” – Nvidia
2. “Machine Learning is de wetenschap om computers te laten werken zonder expliciet geprogrammeerd te zijn.” –  Stanford
3. “Machine Learning is gebaseerd op algoritmen die van data kunnen leren zonder afhankelijk te zijn van op regels gebaseerde programmering.” – McKinsey & Co.
4. “Machine Learning probeert de vraag te beantwoorden” Hoe kunnen we computersystemen bouwen die automatisch verbeteren door ervaring, en wat zijn de fundamentele wetten die voor alle leerprocessen gelden? “- Carnegie Mellon University

Machine Learning basisconcepten

Er zijn veel verschillende soorten algoritmen voor machine learning. Dagelijks worden er honderden gepubliceerd. Ze worden meestal gegroepeerd op leerstijl (begeleid leren, niet-gecontroleerd leren, semi-gesuperviseerd leren) of op overeenkomsten in vorm of functie (bijv. Classificatie, regressie, beslissingsboom, clustering, diepgaand leren, etc.). Ongeacht de leerstijl of functie bestaan alle combinaties het volgende:

• Vertegenwoordiging (een set classifiers of de taal die een computer begrijpt)
• Evaluatie (ook bekend als objectief / scorende functie)
• Optimalisatie (zoekmethode; vaak de best scorende classifier. Er worden zowel off-the-shelf als aangepaste optimalisatiemethoden gebruikt)

Het fundamentele doel van Machine Learning – algoritmen is om verder te generaliseren, dat wil zeggen met succes data interpreteren die het nog nooit eerder is aangeboden.

Machines laten leren

Er zijn verschillende manieren om machines te laten leren. Van het gebruik van eenvoudige beslissingsbomen tot clustering tot lagen van kunstmatige neurale netwerken (de laatste heeft plaatsgemaakt voor deep learning).

Hoewel de nadruk vaak ligt op het kiezen van het beste leeralgoritme, hebben onderzoekers ontdekt dat enkele van de meest interessante vragen niet beantwoord worden door de beschikbare algoritmen voor Machine Learning.

Een belangrijk punt is dat Machine Learning niet alleen, of zelfs maar, taakautomatisering is. Als je op deze manier denkt, mis je zeker de waardevolle inzichten en kansen die machines je kunnen bieden.

Machines die leren zijn nuttig omdat ze met al hun verwerkingskracht sneller patronen kunnen vinden in big data. Deze partonen zouden anders door de mens zijn gemist. Machinaal leren is een hulpmiddel dat kan worden gebruikt om het oplossen van problemen te verbeteren. Het geïnformeerde conclusies te trekken over een breed scala van problemen zoals het diagnosticeren van ziekten en het bedenken van oplossingen voor wereldwijde klimaatverandering.

Uitdagingen en beperkingen van Machine Learning

Een van de meest voorkomende beginnersfouten is het succesvol testen van trainingsdata met de illusie dat je succes hebt. Een deel van de gegevensverzameling zegt nog niets over de de gehele gegevensverzameling.

Wanneer een leeralgoritme (dat wil zeggen leerling) niet werkt, lukt het soms door meer data aan de machine te leveren. Dit kan echter leiden tot problemen met de schaalbaarheid, waarbij we meer data hebben dan de tijd om te leren.

Machine Learning is op zichzelf geen doel. Bovendien is het niet nuttig om het als een algemene oplossing in te zetten.

Diep leren en moderne ontwikkelingen in neurale netwerken

Diepgaand leren omvat machine-algoritmen voor het weergeven van data op meerdere niveaus van abstractie. Dit zijn manieren om computersystemen te laten ordenen. Deep learning via DeepMind, Facebook en andere instellingen is als de volgende stap van Machine Learning aangemerkt.

Deep-learning systemen hebben het afgelopen decennium goede resultaten bereikt op het vlak van gezichtsherkenning, het omzetten van tekst naar spraak en het herstellen data. Onderzoek is nu gericht op het ontwikkelen van data efficiënt machine-leren. Het gaat hierbij om diepleersystemen die efficiënter kunnen leren, met dezelfde prestaties in minder tijd en met minder data. Deep learning wordt ingezet in omgevingen zoals gezondheidszorg, zelflerende robots en sentimentanalyse.

Best practices bij Machine Learning

• De belangrijkste factor bij succesvolle machine learning-projecten is ongetwijfeld de kenmerken die wordengebruikt om de data te beschrijven. Daarnaast moet je over voldoende data beschikken om de modellen te trainen.
• In de meeste gevallen waarin algoritmen niet goed presteren, is dit een gevolg van een probleem met de trainingsdata.
• Experimentele data moet indien mogelijk worden verkregen. Bijvoorbeeld data die is verzameld door het verzenden van verschillende varianten van een e-mail naar een willekeurige steekproef.
• Zet altijd een deel van de trainingsdata opzij voor cross-validatie. Zodoende kan je de gekozen classificator of leeralgoritme goed testen met behulp van nieuwe data.

Discussieer mee op LinkedIn.