fbpx

Slimme computers dankzij (un)supervised learning

Aan de slag met machine learning

Is uw organisatie toe aan werken met kunstmatige intelligentie (artificial intelligence) ? Wilt u stappen zetten op dit vlak? Ga dan aan de slag met de mogelijkheden van zelflerende computers – machine learning algorithms – via supervised learning en unsupervised learning. Ontdek hier uw voordelen en hoe het werkt.

Voorbeelden van machine learning

Via (un)supervised learning

De zelfrijdende auto is misschien wel het meest bekende voorbeeld van een zelfdenkende ‘machine’. Hij reageert bijvoorbeeld op wat er voor en achter hem gebeurt of op het wegdek. Ook de mobiele telefoon die uw gezicht of stem herkent, is zo’n bekend voorbeeld. Verder kent u vast de dam- en schaakcomputers. En creditcardbedrijven sporen met zelfdenkende computers al fraude op.

Ook voor uw organisatie zijn er ongetwijfeld slimme mogelijkheden.

(un)supervised learning

3 Belangrijkste uitgelicht

Technieken voor machine learning

  • Supervised machine learning
  • Unsupervised learning
  • Reinforcement learning

Hieronder ervaart u de verschillen en mogelijkheden van deze technieken. Of check alvast meer achtergrond over (de hulp van APPelit bij) machine learning.

Wat is supervised learning? Uitleg

Een computermodel dat een basisprogrammering kent, maar verder vooral zelf leert op basis van 2 gegevens: wat u invoert (of wat hij zelf invoert op basis van herkenning) én wat eruit rolt. Een voorbeeld: u stopt de plek van 10.000 huizen in het programma. Wat eruit rolt, kan de marktwaarde van al deze huizen zijn. Dankzij supervised learning algorithm traint het computermodel het verband tussen de plek en de prijs.

Doordat de software zichzelf hiermee traint ( training data ), doet die uiteindelijk ook nauwkeurige voorspellingen over de waarde van nog onbekende huizen.

Supervised learning

Betekenis

Wat is unsupervised learning?

Unsupervised learning lijkt op ‘supervised learning’. Het grote verschil? De computer krijgt bij unsupervised learning alleen invoergegevens. Categoriseren is hier een goed voorbeeld van. In het vorige huizenvoorbeeld krijgt de software de marktwaarde en de plek van huizen; daarmee deelt die ze zelf in categorieën in. De vertaling naar de echte wereld zouden groepen huizen kunnen zijn, zoals “dure huizen in Utrecht”, “middenklasse huizen in Utrecht”, “goedkope huizen in Utrecht” enzovoort.

Wat is reinforcement learning? Verklaring

Bij reinforcement learning leert de computer op basis van een bepaald doel. Zoals: een potje schaken winnen. De computer weet dan vooraf niet hoe hij moet schaken; hij krijgt hooguit de mogelijke zetten geprogrammeerd (loper alleen schuine zetten, toren alleen rechtuit of opzij) en wat het doel is: de tegenstander uitschakelen. Grote kans dat de computer hierdoor eerst tientallen potjes verliest voordat hij doorheeft hoe het spel werkt. Daarna kan hij winnen en zelfs wereldkampioen worden.

Data vanuit (un)supervised learning

Zo traint u programma’s

Heeft uw organisatie grote hoeveelheden gegevens, input data? Dan komt u het beste weg met supervised learning en unsupervised learning. U traint de computer dan in 2 of 3 stappen:

  • 70% van uw gegevens om de computer te trainen
  • 15% van uw gegevens om uw data te toetsen/valideren
  • 15% om te testen

Bij stap 1 en 2 is uw programma nog aan het leren. Bij stap 3 is uw computer klaar voor het echte werk: nauwkeurige voorspellingen doen. U kijkt daarbij hoe goed de uitkomsten/voorspellingen zijn.

Machine learning developer

Hoeveel gegevens zijn genoeg?

Doel versus (un)supervised learning

Uw doel bepaalt hoeveel gegevens u nodig hebt. Voor het voorbeeld van de gezichtsherkenning op uw telefoon hebt u ongeveer 11.000 foto’s nodig van circa 1.200 mensen. Voor herkenning van taal en emoties in woorden hebt u zeker 1,5 miljard berichten nodig… Om maar even 2 uitersten te noemen.

Hulp nodig bij uw machinelearning-computer via supervised of unsupervised learning? APPelit, expert in softwareontwikkeling, staat met vele jaren ervaring voor u klaar.

Meer weten? Aan de slag met (un)supervised learning?

Als u hieronder uw bedrijfsgegevens achterlaat, ontvangt u binnen een dag een voorstel voor een vrijblijvende kennismaking.

Ervaar het gemak van onze service

Terugbelverzoek persoon voor APPelit

Ervaar het gemak van onze service


    Ik had informatie nodig over eventuele appontwikkeling en kreeg een snelle en nuttige reactie!
    APPelit support 10/10 super snel en duidelijke communicatie. Love this 🙏🏼
    Attis
    Attis
    1709743017
    Very good
    Hafez Hashimi
    Hafez Hashimi
    1708774478
    Zakelijk met Bruidsboutique Josephine een hele fijne partner aan gehad. De communicatie en service van Appelit is betrouwbaar en goed.
    Brenda Hoppen
    Brenda Hoppen
    1706787077
    Appelit kan ik iedereen aanbevelen. Of je nou wel of geen verstand hebt van softwareontwikkeling, zij zijn duidelijk en maken zaken helder en begrijpelijk. Sterk vind ik ook dat zij in het voortraject ook kijken naar het idee achter, in mijn geval, de app Fjaere die gebouwd moet worden. Hebben zij er een goed gevoel bij dan krijg je 100% commitment. Het resultaat en klanttevredenheid zijn belangrijke doelen voor Appelit en dat merk je aan alles.
    albert erisman
    albert erisman
    1696914647
    js_loader
    Sluiten