Paul Downey | Flickr
Machine learning is een uitdrukking waar je steeds vaker over begint te denken, maar velen weten nog steeds niet precies wat het is . Daar is natuurlijk een reden voor. Het bevindt zich nog in een zeer vroeg stadium en velen nemen aan dat het nog niet iets is dat de algemene bevolking treft. In feite is dat misschien niet zo waar als sommigen veronderstellen.
Dus wat is machine learning? En waar wordt het tegenwoordig in gebruikt? Hier is onze gids voor alles wat u moet weten over machine learning.
Wat is machinaal leren?
Eenvoudig gezegd is machine learning een vorm van kunstmatige intelligentie waarmee computers kunnen leren zonder extra programmeren. Met andere woorden, de software is in staat om zelf nieuwe dingen te leren, zonder dat een programmeur of ingenieur het iets moet 'leren'. Machine learning is in staat om gegevens te nemen en patronen te detecteren en oplossingen te vinden, die vervolgens op andere problemen kunnen worden toegepast.
Afbeelding: K? Rlis Dambr? Ns | Flickr
Het is belangrijk op te merken dat machine learning als concept helemaal niet nieuw is - het is moeilijk om de precieze oorsprong van het concept te achterhalen, aangezien het een concept is dat samengaat met en van andere vormen van technologie. Je zou kunnen stellen dat machine learning dateert uit de tijd van de oprichting van de Turing-test, die werd gebruikt om te bepalen of een computer intelligentie had. Het eerste computerprogramma dat leren echter een spel van schijven was, dat in 1952 werd ontwikkeld door Arthur Samuel. Deze game werd beter naarmate hij meer speelde.
Recente technologie verbetert machine learning echter drastisch. Voor machinaal leren is bijvoorbeeld enorm veel verwerkingskracht vereist, zo erg dat we in de recente geschiedenis nog maar net beginnen met het ontwikkelen van basismachine-leren.
Er zijn een paar manieren waarop programmeurs machine learning kunnen implementeren. De eerste heet 'begeleid leren'. Wat dat in feite betekent, is dat een machine problemen krijgt waar de oplossing voor het probleem bekend is. Het leeralgoritme kan die problemen samen met de gewenste resultaten ontvangen, patronen in de problemen identificeren en dienovereenkomstig handelen. Begeleid leren wordt vaak gebruikt om toekomstige gebeurtenissen te voorspellen, bijvoorbeeld wanneer een creditcardtransactie mogelijk frauduleus is.
De tweede implementatie van machine learning wordt 'onbewaakt leren' genoemd. In dit geval wordt de uitkomst van een probleem niet aan de software gegeven - in plaats daarvan worden problemen toegevoerd en moeten patronen in de gegevens worden gedetecteerd. Het doel hier is om een structuur te vinden in de gegevens die worden gegeven.
De derde stap is 'semi-begeleid leren'. Deze methode van machine learning wordt vaak gebruikt voor dezelfde dingen als begeleid leren, maar er zijn gegevens nodig met een oplossing en gegevens zonder. Semi-begeleid leren wordt vaak geïmplementeerd wanneer fondsen beperkt zijn en bedrijven niet in staat zijn om volledige sets van gegevens voor het leerproces te bieden.
Last but not least is 'versterkend leren', dat specifiek wordt gebruikt voor zaken als gaming en robots. Versterkingsleren wordt in principe geleerd door vallen en opstaan - de machine probeert dingen en leert op basis van zijn successen of mislukkingen. Het doel is hier om de machine de best mogelijke resultaten te laten berekenen.
Al deze methoden van machine learning omvatten natuurlijk het voeden van een machine met honderdduizenden problemen en enorme hoeveelheden gegevens. Echt, hoe meer gegevens, hoe beter.
Waar wordt machine learning tegenwoordig gebruikt?
Afbeeldingen van geld | Flickr
Eigenlijk zijn er tegenwoordig genoeg plaatsen waarop machine learning wordt gebruikt. Veel hiervan zitten achter de schermen, maar het zal je misschien verbazen dat veel van hen ook iets zijn dat je elke dag gebruikt.
Misschien zit degene die u het meest gebruikt in uw persoonlijke assistent - dat klopt, zoals Siri en Google Now gebruiken machine learning, grotendeels om spraakpatronen beter te begrijpen. Met zoveel miljoenen mensen die Siri gebruiken, kan het systeem serieus vooruitgaan in de manier waarop het omgaat met talen, accenten, enzovoort.
Siri is natuurlijk niet de enige consumententoepassing van machine learning. Een ander gebruik is in bankzaken, zoals fraudeopsporing. Machine learning-algoritmen kunnen bijvoorbeeld uitgavenpatronen volgen en bepalen welke patronen eerder frauduleus zijn op basis van eerdere frauduleuze activiteiten.
Zelfs uw e-mail kan zelfs machine learning gebruiken. Spam-e-mails zijn bijvoorbeeld een probleem en zijn in de loop van de tijd geëvolueerd. E-mailsystemen gebruiken machine learning om spam-e-mailpatronen bij te houden en hoe spam-e-mails veranderen, waarna ze op basis van die wijzigingen in uw spam-map worden geplaatst.
conclusies
Machine learning zal een groot deel uitmaken van hoe we technologie in de toekomst gebruiken en hoe technologie ons kan helpen. Van Siri tot de Amerikaanse bank, machine learning wordt steeds alomtegenwoordiger en dat zal waarschijnlijk alleen maar doorgaan.
