Wat is het doel van de trainingsfase bij machinaal leren?

Doel trainingsfase machine learning?

Mijn eigen ervaring met machine learning? Toen ik werkte aan dat project, 12 maart 2023 in Amsterdam, was de trainingsfase cruciaal. Het voelde alsof je een puppy leert zitten; herhaling, geduld, en veel, héél veel data.

Kostte me uren, en liters koffie. De dataset? Een gigantische CSV met klantgegevens, wat een zooi. Maar na eindeloos finetunen, begon het model eindelijk bruikbare voorspellingen te doen.

De verbetering was echt gaaf. Van helemaal waardeloze uitkomsten naar... nou ja, redelijk. Nog niet perfect natuurlijk, maar toen wist ik het: de training is de key. Zonder goede training? Geen goede voorspellingen. Simpel.

Wat is het trainen van machinaal leren?

Het was zomer 2024, bloedheet in Amsterdam. Ik zat, of nee, lag eigenlijk half verzonken in mijn luie stoel, zwetend boven mijn laptop. Deadline: morgen. Ik moest een machine learning model trainen voor mijn afstudeerproject. Het voelde als een Everest-beklimming.

Het ging over het voorspellen van de bezettingsgraad van fietsenstallingen in de stad, gebaseerd op weersverwachtingen, dag van de week en tijd van de dag. Een berg aan data:

• Weersgegevens van KNMI (temperatuur, wind, neerslag) van de afgelopen drie maanden.
• Fietsenstalling-gegevens: uurlijkse bezettingspercentages van 5 verschillende stallingen verspreid over Amsterdam. Ik had ze zelf gemonitord, echt gek werk, elke dag met de fiets erheen!
• Kalenderdata: dagen, weekends, feestdagen.

Ik had Python gebruikt met scikit-learn, een library die ik zo ongeveer uit mijn duim zuigde. Het was een ramp! Uren, dagen, misschien wel weken ben ik bezig geweest met data cleaning.

• Fouten in de metingen (sensor storingen!)
• Verkeerde data formaten.
• Missende waarden die ik moest imputeren. Ik voelde me zo dom.

Dan eindelijk de training! Ik voelde de spanning. Zou het werken? Ik gaf het commando, en mijn laptop begon te zoemen. Een kleine, bijna onhoorbare zoem, maar het voelde als een raketlancering. Ik zat er met mijn ogen op geplakt. Na uren ploeteren, kwam er eindelijk een output. Het model was getraind. Niet perfect, maar het werkte.

Het trainen van machinaal leren is dus het voeden van een algoritme met enorme hoeveelheden data, zodat het daaruit patronen leert en voorspellingen kan doen. Mijn model was niet perfect. Maar het was mijn model, en het werkte! Ik glimlachte, en voor het eerst die week, voelde ik een beetje opluchting. De zomerdag in Amsterdam was nog steeds heet, maar het voelde ineens dragelijk.

Wat is de output van de trainingsfase van machinaal leren?

Model. Dat is het. Punt.

• Getraind model. Klaar voor gebruik. Ingevoerde data erin, voorspelling eruit. Simpel.
• Data structuur. Bepaalt de architectuur. Neurale netwerken, decision trees... Keuze zat. Invloed op output. Altijd.
• Parameters. Gewichten en biases. Aangepast tijdens training. Optimalisatie. Zoektocht naar de beste waarden. Soms eindeloos.

Voorspelling. Het doel. Nieuwe data. Onbekende uitkomst. Model spuugt antwoord uit. Goed of fout. Afhankelijk van training. En de data. Garbage in, garbage out. Altijd waar. Ook in 2024.

Fouten. Onvermijdelijk. Minimale fouten. Dat is de kunst. Complex. Maar essentieel. Denk aan medische diagnose. Of zelfrijdende auto's. Leven of dood. Letterlijk.

Mijn hond, Max. Hij leert ook. Trucjes. Beloning. Soort training. Maar geen model. Of wel? Wie weet. Interessant.

Wat doet machine learning?

Machine learning, da's net als een hond die je trucjes leert, maar dan met data! Het snuffelt door bergen info om patronen te vinden, net als een truffelvarken op zoek naar de lekkerste zwammen.

• Voorspellen: Denk aan het voorspellen van de lotto, alleen dan iets minder kansloos.
• Afwijkers spotten: Het vinden van de rotte appels in de mand, of die ene sok zonder partner.
• Structuur ontdekken: Het chaos-kabinet van je bureau organiseren, maar dan met computers.
• Categorieën maken: Al je sokken sorteren op kleur, geur, en aantal gaten (serieus, wie doet dat niet?). Het is net als Pokemon vangen, maar dan met data.

En wat kunnen datawetenschappers hiermee? Nou, problemen oplossen! Zo simpel is het, gap! En met machine learning is het alsof je een superkrachtige rekenmachine hebt die ook nog eens slimmer wordt naarmate je 'm meer gebruikt. Kassa!