#4 : Machine learning

Machine learning

Machines leren van mensen… en mensen van machines. Benieuwd hoe?

Computers die leren...

In de vorige track heb je geleerd over algoritmes. Daarmee kun je bijvoorbeeld een puzzel oplossen of een spelletje winnen.

lerende boyts
lerende boyts



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.




Hoe dat precies werkt?

De experts leggen het uit.

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 ? 

huizenprijzen
huizenprijzen



Het voorbeeld van de huizenprijzen was relatief simpel.

Gewoon een lijntje doortrekken. In de praktijk komt er meer bij kijken. Erik Mannens legt uit dat er twee soorten machine learning bestaan.

In deze video kwamen drie soorten machine learning aan bod

Klik op de begrippen voor een korte samenvatting.




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.




Een voorbeeld van supervised learning is classificatie, oftewel: in groepen indelen.

Ook dankzij deze methode wordt jouw leven een stuk makkelijker gemaakt. Een voorbeeld hiervan is een spamfilter. Dankzij dit systeem hoef je niet zelf alle spam uit je inbox te verwijderen, maar wordt dat voor je gedaan.

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?

casino spam
casino spam



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.




En dan nu: unsupervised learning.

Hier gaat het computermodel ook groepjes maken, maar zonder dat we 'labels' geven. Het model vormt ze zelf op basis van patronen in de data. Dit heet clusteren en kom je vooral tegen bij suggesties welke liedjes, films of series óók interessant voor jou kan zijn.




Maar hoe maken bedrijven zoals Netflix deze aanbevelingen eigenlijk?

(Bekijk de animatie over Netflix)

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.




“Maar is het dan zo erg dat Netflix gepersonaliseerde aanraders geeft?”

Misschien niet, maar hetzelfde mechanisme wordt gebruikt op Facebook en nieuwssites. Je ziet alleen nog informatie die overeenkomt met jouw persoonlijke voorkeuren en standpunten, waardoor je een heel eenzijdig beeld te zien krijgt…

netflix
netflix



Dit wordt ook wel een filterbubbel of echoput genoemd.

In deze track leerde je...




Track 4 afgerond!

NEXT UP: Deep learning


Je wordt automatisch doorgeschakeld, of klik op bovenstaande knop.