Nuttige dingen doen met data.

Op een vergelijkbare manier kun je algoritmes bedenken die mensen helpen om producten te kopen. Of om spamberichten tegen te houden. Dat heet dan: machine learning.

In een wijk zijn recent drie huizen verkocht.

 Aan de bolletjes kun je zien met welke oppervlakte en bijbehorende verkoopprijs. Kun jij nu inschatten wat de verkoopprijs zou zijn van een huis van 100m2 ? 

Oké, ben je klaar om dieper in machine learning te duiken?

We laten federated learning even buiten beschouwing. Daarvoor in de plaats kijken we naar praktische toepassingen van supervised en unsupervised learning.

Achter dit systeem schuilt een algoritme dat door middel van machine learning steeds beter wordt.

Stel je eens voor dat je het algoritme van een spamfilter gaat schrijven. Bij welke van de volgende woorden gaan er bij jou alarmbellen rinkelen? Oftewel: hoe groot schat je de kans dat e-mails met de volgende woorden spam zijn?

Wat je net op je onderbuikgevoel deed, doet een spamfilter op basis van data.

Iedere keer maakt een spamfilter de afweging: is de kans groter dat het spam of geen spam is? Dat doet het systeem door e-mails die als spam gemarkeerd zijn te vergelijken met de binnenkomende e-mails. Helaas worden oplichters ook steeds slimmer en wordt het steeds moeilijk om het verschil te zien.

Die aanbevelingen van Netflix zijn natuurlijk wel handig.

Zo hoef je niet zelf eeuwenlang te scrollen op zoek naar een leuke film of serie.

Maar let op, zulke systemen kunnen ook eenheidsworst creëren. Als je drie keer achter elkaar een romantische film hebt gekeken, raadt Netflix je niet gauw een documentaire over de Tweede Wereldoorlog aan. Hierdoor krijg je alleen informatie voorgeschoteld die past bij jouw voorkeuren.