Betekenis van de SEO-term machine learning

Machine learning

Ongetwijfeld iedereen wordt op dagelijkse basis met machine learning geconfronteerd. Maar wat betekent het? Machine learning is een techniek waarbij computer algoritmes gebruikt worden om zonder begeleiding te leren van data en input. Het is een onderdeel van kunstmatige intelligentie. Dankzij machine learning moeten computers dus niet meer zelf geprogrammeerd worden maar ze kunnen hun algoritmes zelfstandig veranderen en verbeteren.

Vandaag de dag wordt machine learning al gebruikt voor verschillende doeleinden. Een aantal voorbeelden zijn computers met mensen te laten communiceren, zelfrijdende auto’s, etc. Bijna elke sector zal met machine learning te maken krijgen en eventueel de positieve gevolgen ervan ontdekken.

machine learning

 

Hoe werkt machine learning?

Om de werking van machine learning uit te leggen, maken we gebruik van een simpel voorbeeld. Wiskunde werd altijd uitgelegd door zoveel mogelijk oefeningen te maken. Leerkrachten proberen delen en vermenigvuldigen steeds uit te leggen maar enkel door te oefenen zorg je ervoor dat de leerstof effectief blijft hangen. Daarna wordt er gekeken of de leerlingen nu effectief de leerstof begrijpen en de oefeningen juist zijn. Hierna verwachten leerkrachten dat zijn/ haar studenten de leerstof blijven herinneren. Hierdoor kunnen ze, wanneer ze weer dezelfde soort oefeningen tegenkomen, hun toets of taak oplossen dankzij dit soort patroon.

Elke student heeft een andere manier van leren, dit geldt natuurlijk ook bij de algoritmen van machine learning. Ze hebben elk hun eigen manier om een patroon te ontdekken in de data. Sommige studenten zijn beter in breuken, ander eerder met vermenigvuldigen. Ook bij machine learning is dit het geval, voor bepaalde soorten data is een specifiek algoritme nodig.

De algoritmen van machine learning krijgen een bepaalde hoeveelheid materiaal om te oefenen. Ze krijgen instructies en feedback te verwerken waarmee ze patronen kunnen waarnemen. Het is wel belangrijk om de data te koppelen aan de juiste technieken van machine learning. Alleen zo ben je verzekerd dat het effectief werkt.

Verschillende soorten machine learning

Machine learning bestaat niet uit algoritmen die op een gestandaardiseerde manier kunnen ingezet worden. De keuze voor een soort machine learning en de bijhorende algoritmes hangt dus af van het doel dat je wilt nastreven. Er bestaan 3 verschillende soorten van machine learning:

  • Supervised learning: dit soort machine learning maakt gebruikt van data die gelabeld wordt door mensen. Het gaat zaken die het in het verleden geleerd heeft toepassen op nieuwe gegevens aan de hand van gelabelde voorbeelden. Dit doet ze om toekomstige gebeurtenissen te voorspellen. Je kan dus best voor dit type kiezen wanneer je het resultaat van een algoritme al kent. Een voorbeeld van supervised learning zijn de foto’s van Apple of iOS. Wanneer je bepaalde mensen tagged in een paar foto’s dan is de software in staat om voortaan deze mensen te herkennen en te taggen in andere foto’s.
  • Unsupervised learning: in dit geval is de data niet gelabeld. De software zal nieuwe patronen in de data ontdekken zonder dat het de software kent of de data of labels. Deze vorm van machine learning werkt goed voor bv. clustering. Hierbij wordt data georganiseerd op basis van overeenkomstige kenmerken. Een voorbeeld van unsupervised learning is wanneer er bij Facebook advertenties je de populatie kan indelen in groepen met dezelfde demografische factoren. Dit doen ze om de doelgroep beter te bereiken met relevante advertenties.
  • Reinforcement learning: deze manier van machine learning gebaseerd op ‘trial & error’. Een computer onderzoekt de ideale uitkomst door een aantal simulaties door te voeren. Deze vorm van machine learning wordt vooral gebruik bij navigatie-applicaties of gaming.

Machine learning en big data

Machine learning houdt van data. Hoe meer data, hoe beter het algoritme op een slimme computer verschillende zaken kan leren.

We gebruiken even de spamfilter. Deze filter kan patronen herkennen van e-mails die als spam worden gezien. Op deze manier kan het algoritme duidelijk in de toekomst patronen herkennen die te vaak voorkomen in deze soort e-mails en modellen aanmaken. Stel dat jouw spamfilter dus op basis van het zien van de spammerige e-mails getraind is, dan zal het patronen herkennen.

Maar er bestaan nu wel enorm veel verschillende soorten spammails. Het algoritme van machine learning is maar getraind op basis van een paar soorten en dus kunnen er nog mails over het hoofd gezien worden.

Machine learning is grote fan van big data aangezien het hierdoor steeds slimmer kan worden. Het is dus gebaseerd op algoritmes die computers slimmer maken. Big data kan zowel gestructureerd als ongestructureerd zijn en bestaat uit tekst, afbeeldingen, audio en video. Bij het ontwikkelen van een algoritme is het dus belangrijk om rekening met deze data te houden.

Machine Learning 2022

Internet of Things

We zullen beginnen met één van de meest gegeerde trends op dit moment, Internet of Things. Computer experts kijken hier al smachtend naar uit omdat deze doorbraak op het gebied van machine learning een enorme impact kan hebben op de adoptie naar 5G. Systemen zullen sneller informatie kunnen ontvangen en verzenden dankzij de buitengewone netwerksnelheid van 5G.

Door deze verbinding zal het mogelijk zijn om machines met het internet te verbinden die we voordien nooit geassocieerd hadden met internetverbinding. Elk jaar zien we een grote toename van het aantal IoT-apparaten dat met het netwerk verbonden is, wat resulteert in een evenredige toename van de hoeveelheid uitgewisselde gegevens.

Natural-language understanding

Iedereen kent wel de spraakassistenten zoals Siri en Alexa, waarbij je een opdracht geeft door je stem te gebruiken. Dit wordt allemaal via natural-language understanding mogelijk gemaakt. Tegenwoordig is er dankzij de technologie van machine learning al heel wat vordering in de spraaktechnologie. Vroeger was het zo (bij domotica) dat je zelf nog alles moest bedienen. Nu via machine learning zal de software door trial and error zelf proberen een oplossing te vinden. Hiermee bespaar je tijd en hoef je zelf niets uit te voeren. De dagen van het uitvoeren van commando’s zijn al lang voorbij en zullen steeds kleiner worden.

Machine learning is de toekomst voor alle apparaten die verbonden kunnen worden met het internet.

Voorbeelden machine learning

Om machine learning nog duidelijker te maken, leggen we je het uit aan de hand van de 2 onderstaande voorbeelden

Spotify

Spotify is een digitale muziekservice die gebruikt maakt van machine learning. Op basis van de muziek die je in het verleden geluisterd hebt, kan Spotify aanbevelingen geven. Dit doen ze dus via machine learning.

Facebook

Als je een profiel op Facebook hebt, dan ken je vast en zeker de vriendschapvoorstellen wel. Facebook geeft aanbevelingen om vrienden te worden en dit doen ze op basis van jouw data zoals woonplaats, je vrienden, je leeftijd, etc.

Ontdek meer SEO-termen!

SEO quiz

Hoe sterk is jouw SEO-kennis?

Blog

Volg de online marketing trends op de voet.

Gratis SEO scan

Vraag een gratis SEO scan van je website aan.

Nieuwsbrief

Schrijf je in voor onze maandelijkse nieuwsbrief.