In dit artikel ga je lezen wat Machine Learning is. Eerst gaan we kijken naar de betekenis van Machine Learning en hoe het werkt. Interessant is ook om te ontdekken wat Machine Learning en Big Data met elkaar te maken hebben. Er zijn verschillende soorten manieren van Machine Learning, die gaan we behandelen. Tot slot gaan we kijken naar voorbeelden van Machine Learning toepassingen en hoe je er meer over kan lezen en/of zelf mee aan de slag kan gaan. Lees lekker verder!
De betekenis van Machine Learning
In de woorden “Machine Learning” kan je eigenlijk al een beetje opvatten wat de betekenis van Machine Learning kan zijn. In het Nederlands betekent Machine Learning Machinaal Leren. Computers worden steeds slimmer en kunnen zelf leren.
Maar hoe leren computers dan? Computer kunnen leren door slimme algoritmes. Deze slimme algoritmes zijn in een computer verwerkt. Hierdoor kunnen computers omgaan met data, patronen herkennen en zelfstandig beslissingen nemen.
Door Machine Learning is er bijna geen tussenkomst van mensen meer nodig. Een slimme computer kan zelf leren en taken uitvoeren. Wel zullen er mensen nodig zijn om slimme computers te onderhouden en verder te verbeteren.
Machine Learning is een vorm van Artificial Intelligence (Kunstmatige Intelligentie). Artificial Intelligence zorgt ervoor dat machines kunnen denken zoals mensen. Als machines kunnen denken zoals mensen, kunnen ze ook menselijke handelingen uitvoeren.
Hopelijk is de betekenis van Machine Learning duidelijker voor je. Laten we nu gaan kijken hoe Machine Learning werkt.
Hoe werkt Machine Learning?
Je zou de werking van Machine Learning heel omslachtig en ingewikkeld kunnen uitleggen, maar daar houden we niet van op ProgrammeerPlaats. Laten we daarom gaan kijken hoe Machine Learning werkt aan de hand van een simpel voorbeeld.
Iedereen kent het wel, die vervelende spammailtjes. Je hebt opeens een rijke overgrootvader in Afrika die $1.000.000 aan jou wil schenken. Een paar dagen later krijg je een ander mailtje dat je bankpasje opeens volgende week verloopt. Dit kan je dan zogenaamd voorkomen door snel al je bankgegevens op te sturen.
Deze mailtjes zijn natuurlijk allemaal nep en komen vaak in je spambox terecht. Een spamfilter zorgt ervoor dat deze mailtjes in je spambox komen en niet in je normale inbox.
Maar wat heeft dit met Machine Learning te maken? Nou, de spamfilter maakt gebruik van Machine Learning. Een spamfilter kan herkennen of een mail spam bevat of niet.
Algoritme trainen
De spamfilter wordt getraind om te herkennen of een mail spam is. Er zit een slim algoritme verwerkt in de spamfilter, die dat mogelijk maakt.
Door veel mailtjes aan te bieden aan de spamfilter en te zeggen wat spam is en wat goed is, leert het algoritme steeds beter wanneer een mailtje spam bevat en naar de spambox moet.
Patronen herkennen
Het algoritme maakt een model van een mail die spam bevat en een model van een goede mail zonder spam. Aan de hand van deze modellen kan het algoritme patronen herkennen in een mail en bepalen of het spam is of niet.
De volgende elementen kan een spamfilter bijvoorbeeld controleren om te bepalen of het een spammail is:
- Welke woorden erin voorkomen
- De afzender van de mail
- De lengte van de mail
- Zinsopbouw
- Spelfouten
- Combinaties van woorden
Hoe meer mailtjes de spamfilter heeft verwerkt, hoe meer de spamfilter leert en hoe beter het spammail kan herkennen. Als er bijvoorbeeld een nieuwe vorm van spammail ontstaat, gaat het algoritme van een spamfilter dit herkennen en past hierop zijn modellen aan. Hierdoor worden steeds meer spammailtjes direct naar de spambox gestuurd.
Machine Learning en Big Data
Machine Learning houdt van data. Hoe meer data, hoe beter het algoritme op een slimme computer kan leren. Laten we even teruggaan naar het voorbeeld van de spamfilter.
De spamfilter kan patronen herkennen van spammailtjes door veel spammailtjes gezien te hebben. Op deze manier kan het algoritme duidelijk patronen gaan herkennen die veel voorkomen in deze mails en modellen gaan aanmaken.
Stel dat een spamfilter getraind is op basis van het zien van enkele spammailtjes. Dan zal het patronen herkennen die in deze enkele mailtjes staan en daar zijn modellen van aangemaakt.
Er zijn echter heel veel verschillende soorten spammailtjes. Het algoritme is getraind op basis van een paar spammailtjes en ziet dus heel veel andere spammailtjes over het hoofd.
Een algoritme wordt steeds slimmer van Big Data
Machine Learning houdt van Big Data, omdat het algoritme van Big Data kan leren en steeds slimmer wordt.
Machine Learning is dus gebaseerd op algoritmes die een computer slimmer maken en Big Data is een grote hoeveelheid data. Deze data kan zowel gestructureerd als ongestructureerd zijn. De data kan bestaan uit teksten, afbeeldingen, audio’s en video’s.
Bij het ontwikkelen van een algoritme is het belangrijk om rekening te houden met wat voor data geanalyseerd moet worden.
Soorten algoritmes
Het is niet zo dat Machine Learning op één wijze wordt toegepast. Er zijn verschillende soort manieren om Machine Learning toe te passen. Algoritmes kunnen verschillend zijn van elkaar. Dit hangt ook af met welke data je te maken hebt en wat je wil bereiken.
Supervised learning
Een supervised learning algoritme leert van gelabelde trainingsdata. Zowel de in- als de output wordt meestal door een mens gelabeld. Op basis daarvan leert het algoritme patronen herkennen.
Als het algoritme genoeg getraind is, kan het bij nieuwe input zorgen voor de juiste output. De mens is eigenlijk de docent van dit algoritme.
Een mooi voorbeeld is een huizenprijsvoorspeller. Op basis van een aantal factoren kan een algoritme de prijs van een huis voorspellen. Voorbeelden van factoren die meespelen zijn:
- Bouwjaar
- Aantal slaapkamers
- Aantal badkamers
- De grootte van het huis
De trainingsdata is vooraf gelabeld door een mens met de desbetreffende output. Op die manier heeft het algoritme ervan geleerd en kan daarna zelf huizenprijzen gaan voorspellen bij nieuwe input.
Unsupervised learning
Een unsupervised learning algoritme leert om zelf verbanden te ontdekken in niet gelabelde trainingsdata. De mens is hier geen docent meer.
Het wordt veel gebruikt bij clustering. Op basis van demografische gegevens kan je bijvoorbeeld het koopgedrag van een klant inschatten. Hierbij kunnen klanten gegroepeerd worden waarbij de kans groot is op een aankoop en waarbij de kans niet groot is.
Semi-supervised learning
Een semi-supervised algoritme gebruikt zowel de supervised als unsupervised methode om voor output te zorgen. Dus het maakt gebruik van gelabelde en niet gelabelde data.
Een voorbeeld is dat sommige foto’s zijn gelabeld met een kat erop. Echter zijn er nog veel meer foto’s die niet gelabeld zijn. Unsupervised learning zou je kunnen gebruiken om verbanden uit afbeeldingen te groeperen, bijvoorbeeld een niet zo’n groot object met 4 poten en een staart, kan als kat gegroepeerd worden.
Aan de andere kant zou je supervised learning kunnen gebruiken om voorspellingen te maken voor de niet gelabelde data. De niet gelabelde data kan je als trainingsdata terugdoen in het supervised learning algoritme en die maakt een nieuw model. Aan de hand van dat model kan het algoritme betere voorspellingen doen van nieuwe data.
Reinforcement learning
Een reinforcement learning algoritme leert van beloningen en straffen. Bij beloningen weet het algoritme dat dit goed is en zal dit vaker herhalen. Een straf is logischerwijs niet goed en het algoritme zal leren om dit niet meer te doen.
Een voorbeeld is een robot die leert lopen. Als de robot een bepaalde route moet lopen en het wijkt af van de route of botst tegen een object aan, dan krijgt het strafpunten. Als de robot bijvoorbeeld obstakels weet te ontwijken en bochten goed weet te nemen, krijgt het beloningen. Op deze manier leert de robot wat wel en niet goed is om te doen.
Voorbeelden van Machine Learning toepassingen
We hebben hierboven al wat voorbeelden voorbij zien komen, maar laten we nog eens kijken naar twee bestaande voorbeelden.
Spotify
Spotify maakt gebruik van Machine Learning. Op basis van de muziek die je geluisterd hebt in het verleden kan Spotify muziek aanbevelen die je waarschijnlijk leuk gaat vinden.
Als je Facebook hebt, ken je het vast wel. De aanbevelingen om vrienden te worden. Deze aanbevelingen doet Facebook op basis van jouw data, zoals waar je woont, welke vrienden je hebt, je leeftijd, hobby’s, welke evenementen je naartoe gaat enz.
Als je interesse hebt in nog meer voorbeelden, kan je “Big Data voorbeelden” bekijken.
Meer over Machine Learning lezen en/of zelf aan de slag gaan
Je hebt nu antwoord op de vraag “Wat is Machine Learning?” gehad. Misschien ben je enthousiast geworden en wil je er meer over lezen en/of er zelf mee aan de slag gaan om Machine Learning toepassingen te maken? Zelfs op een laagdrempelige manier kan je Machine Learning toepassingen leren maken, zonder dat je er ervaring mee hebt.
De beste Machine Learning boeken
Als je meer over Machine Learning wil lezen, dan staan op Bol.com de beste boeken over Machine Learning. Het is zeer interessant om dieper in Machine Learning te duiken, te ontdekken wat voor mogelijkheden het allemaal heeft en wat het voor de toekomst gaat betekenen.
De beste videocursussen voor developers
Op Pluralsight staan veel geweldige cursussen voor zowel beginners als ervaren mensen op het gebied van Machine Learning. Je kan zowel de theorie leren als zelf echt aan de slag gaan. Er is onder andere de mogelijkheid om echte Machine Learning algoritmes en modellen te ontwikkelen. Hoe gaaf is dat?
In “Pluralsight review en ervaringen” lees je een uitgebreide review over het platform. Je kan het platform zelfs 10 dagen gratis uitproberen.
Verder staan er op Coursera echt hele goede leermogelijkheden om meer over Machine Learning te leren en/of er zelf mee aan de slag te gaan. In “Coursera review” lees je meer over dit online leerplatform.
Als je echt geïnteresseerd bent in Machine Learning, zou ik er zeker mee aan de slag gaan. Wie weet word jij wel een Machine Learning specialist? Bedrijven staan te springen om Machine Learning specialisten en de beloning is hoog. Pak je kans.
Heb je nog vragen en/of opmerkingen? Laat dan hieronder een reactie achter of neem contact op.