Machine Learning is een wetenschappelijk onderzoeksveld dat zich bevind in de kunstmatige intelligentie. Machine Learning is onder andere gericht op het ontwikkelen van algoritmes. Met deze algoritmes kunnen computers patronen ontdekken in grote databestanden (zogenaamde Big Data). Door het ontdekken van deze patronen kunnen computers of machines zichzelf ontwikkelen en dus leren. Computers leren nieuwe patronen ontdekken wanneer weer nieuwe gegevens worden toegevoegd aan de database. Voor mensen is het vaak onmogelijk om enorme hoeveelheden data te verwerken, computers doen dit veel sneller en maken daarbij steeds minder fouten. Daarom is Machine Learning interessant. Machine Learning is gerelateerd aan data mining, hierbij worden op een geautomatiseerde manier patronen, verbanden en relaties gezocht in grote hoeveelheden data.
Methoden voor Machine Learning
De methodes die gebruikt worden voor Machine Learning kunnen grofweg in twee grote categorieën worden ingedeeld:
- Aanleidinggevend. De aanleidinggevende mehodes vormen computerprogramma’s door het maken van regels of het extraheren van patronen uit data.
- Deductief. Bij een deductieve methode is het resultaat een functie net zo generiek is als de invoerdata.
Hoe werkt Machine Learning?
Bij Machine Learning wordt een machine of programma getraind om verbanden te zien. Dit gebeurd vaak gecontroleerd. Daarbij krijgt een algoritme voorbeelden van gegevens die worden aangeleverd of ingevoerd en voorbeelden van bijbehorende of gewenste uitvoer. Het systeem krijgt regelmatig deze voorbeelden waardoor het leert om bepaalde verbanden te zien tussen ingevoerde gegevens en de uitvoer. Als het Machine Learningproces goed wordt doorlopen zal het systeem steeds minder fouten maken en kan het systeem op basis van nieuwe invoer zelfstandig de juiste uitvoer produceren.
Naast gecontroleerde Machine Learningprocessen zijn er ook ongecontroleerde processen. Hierbij wordt geen sturing geboden door voorbeelden in te sturen met een gewenste uitvoer. Bij een ongecontroleerde learningprocessen zal het algoritme op den duur zelf een structuur ontdekken in de gegevens die worden ingevoerd. Tijdens dit proces zal het programma zelf de invoer verdelen in categrorieen. Hierin worden dan elementen geplaatst met gegevens die sterk op elkaar lijken.
Hoe wordt Machine Learning toegepast?
Machine Learning wordt vrij breed toegepast, maar dit gebeurd verborgen. Zo wordt dit systeem bijvoorbeeld toegepast in de zoekmachines van vacaturebanken. In bepaalde vacaturebanken en cv-databanken kunnen mensen gegevens zoeken of beter gezegd laten matchen met profielen. Voordat dit systeem goed werkt zal men het matchsysteem moeten laten wennen aan het maken van verbanden tussen bijvoorbeeld cv’s en vacatures.
Veel grote webshops verzamelen ook gegevens van bezoekers en slaan deze gegevens op. Door deze opgeslagen gegevens kunnen de webshops inspelen op de interesse van de potentiële klanten. Men kan door dit systeem trachten klantengedrag te voorspellen en daarnaast gerichte aanbiedingen bij klanten onder de aandacht brengen.
Ook bij de ontwikkeling van software voor zelfrijdende auto’s wordt gebruik gemaakt Machine Learning. Hierbij worden allemaal afbeeldingen van verkeerssituaties ingevoerd in een systeem. Aan deze afbeeldingen worden dan waardes gegeven. Bepaalde situaties zijn bijvoorbeeld gevaarlijk en andere situaties niet. Uiteindelijk moet de software van zelfrijdende auto’s zelf beslissingen nemen of er geremd moet worden voor bepaalde situaties of niet. Omdat er enorm veel verschillende situaties op de weg plaats kunnen vinden is er een zeer grote database gekoppeld aan deze variant van Machine Learning. Daarom is het voor mensen onmogelijk om van elke situatie een foto te maken en daar een waarde aan te koppelen. In plaats daarvan maakt men gebruik van situaties uit computergames zoals Grand Theft Auto.