Machine learning is een integraal onderdeel van kunstmatige intelligentie (AI), het maakt gebruik van statistische methoden om machines in staat te stellen zelfstandig te leren en taken uit te voeren, dat wil zeggen zonder de noodzaak van directe instructies en expliciete programmering.
De basis van machine learning zijn de algoritmes. Het zijn complexe sets van regels en wiskundige modellen die machines trainen zodat ze informatie kunnen analyseren, conclusies kunnen trekken en weloverwogen beslissingen kunnen nemen.
Machine learning-algoritmen worden actief gebruikt voor voorspellende modellering, die een belangrijke rol speelt in een verscheidenheid aan toepassingen, variërend van personalisatie van aanbevelingen op streamingplatforms tot het voorspellen van trends op de aandelenmarkt.
Machine learning algoritmen kunnen worden onderverdeeld in de volgende categorieën:
Begeleid leren
Algoritmen worden getraind op vooraf gelabelde trainingsgegevens en extrapoleren deze training om resultaten voor onzichtbare gegevens te voorspellen. Het mechanisme is vergelijkbaar met de relatie tussen leraar en leerling., wanneer het algoritme (leerling) kennis van de leraar (gegevens) ontvangt en deze toepast op nieuwe scenario ‘ s.
Unsupervised learning
Algoritmen werken met niet-gelabelde gegevens en identificeren onafhankelijk patronen en structuren. Dit kan worden vergeleken met een onderzoeker die zonder enige voorkennis door een onbekend gebied reist om het gebied te leren kennen en daarbij ontdekkingen te doen.
Reinforcement learning
Algoritmen leren op basis van de resultaten van hun acties, in feite, in het proces van hun trial and error. Ze voeren acties uit in een specifieke omgeving om het beloningssignaal te maximaliseren. Als je dit overbrengt naar het dagelijks leven, dan kan “reinforcement learning” worden vergeleken met hoe een hond wordt geleerd om een poot te geven.