Machinaal leren

Uit Wikipedia, de vrije encyclopedie
Ga naar: navigatie, zoeken

Automatisch leren of Machinaal leren is een breed onderzoeksveld binnen kunstmatige intelligentie, dat zich bezighoudt met de ontwikkeling van algoritmes en technieken waarmee computers kunnen leren.

De methodes zijn te verdelen in twee ruwe categorieën: aanleidinggevend en deductief. Aanleidinggevende methodes creëren computerprogramma's door het vormen van regels of het extraheren van patronen uit data. Deductieve methoden hebben als resultaat een functie die net zo generiek is als de invoerdata.

Automatisch leren is sterk gerelateerd aan statistiek, aangezien beide velden de studie van data analyseren. Automatisch leren is meer gericht op de algoritmische complexiteit of de implementatie in programma's. Het is ook gerelateerd aan data mining, waarin op een geautomatiseerde manier patronen en relaties worden gezocht in grote hoeveelheden gegevens.

Veel leerproblemen zijn NP-hard of moeilijker, dus een belangrijk onderdeel van dit vakgebied is algoritmes te ontwikkelen die de oplossing benaderen.

Methodes[bewerken]

Methodes voor machinaal leren zijn onderverdeeld in een typologie:

gecontroleerd leren
het algoritme krijgt voorbeelden van invoer en bijbehorende uitvoer. Het leert op basis van deze voorbeelden hoe de eigenschappen van de invoer bepalend zijn voor de uitvoer. Na de leerfase kan het algoritme ook voor nieuwe invoer zelfstandig de juiste uitvoer produceren. Een veel gebruikte probleemvorm is classificatie, waarbij de invoerelementen ingedeeld moeten worden in groepen. Voorbeelden zijn beslisboomalgoritmes C4.5 en Support Vector Machines
ongecontroleerd leren
er zijn geen voorbeelden van de gewenste uitvoer; het algoritme ontdekt zelf een structuur in de gegeven invoer. Dit kan bijvoorbeeld door de invoer te verdelen in groepen van elementen die op elkaar lijken, zoals bij k-gemiddeld clusteranalyse.
semigecontroleerd leren
een combinatie van bovenstaande manieren.
ondersteund leren
het algoritme leert een gedrag in relatie tot zijn wereld en op basis van zijn succes past het zichzelf aan. Een goed voorbeeld is een genetisch algoritme
transductieleren
een relatief zeldzame methodiek die erg lijkt op gecontroleerd leren, maar in plaats van het voorspellen van generieke regels worden datuminstanties voorspeld.

Gebruikt in[bewerken]

Voorbeelden van machinaal leren[bewerken]

Bronnen, noten en/of referenties
  • Elements of Machine Learning. Pat Langley, Morgan Kaufmann, 1995.
  • Machine Learning, Tom Mitchell, McGraw Hill, 1997.