Wat is traditioneel machinaal leren?

Wat zijn de traditionele taakcategorieën voor machinaal leren?

Hé, weet je nog die keer in 2024, tijdens die verschrikkelijke hittegolf in juli? Ik zat urenlang in die verschrikkelijke bibliotheek in Leiden, te zweten achter mijn laptop, te worstelen met die machine learning opdracht. Mijn hoofd bonkte. Ik had honger, dorst, en mijn ogen brandden.

Gesuperviseerd leren, dat was de eerste categorie die ik probeerde te begrijpen. Het leek wel alsof ik in een ondoordringbaar woud liep. Data met labels, dat klonk zo simpel, maar in de praktijk... pffft. Ik zat urenlang naar voorbeelden te kijken van die algoritmes die katten van honden moesten onderscheiden. Ik wilde gewoon slapen.

• Katten versus honden: Simpel toch? Nee hoor. Lichtval, houding, ras... alles maakte verschil.
• Voorbeelden: ik zag er honderden. Sommige wazig, andere perfect scherp. Sommige met een rare hoek. Alles beïnvloedde het resultaat.

Dan kwam ongemerkt leren. Dit was minder chaotisch, maar het voelde abstracter. Die algoritmes die zelf patronen moesten ontdekken... hoe deed je dat dan? Ik voelde me totaal verloren.

Versterkend leren, de laatste categorie, was een complete nachtmerrie. Het leek wel een oneindig spelletje van trial and error. Ik had het gevoel alsof ik tegen een muur aanliep. Het duurde eeuwen om ergens doorheen te komen.

Ik herinner me nog levendig hoe ik op mijn stoel zat te zwoegen. De airco deed amper zijn werk. De zon scheen fel door het raam. Ik voelde me totaal overweldigd. Het was een vreselijke dag. Uiteindelijk heb ik het toch afgekregen, maar ik had er een flinke prijs voor betaald. Ik was doodop. Ik snapte het wel, maar ik denk dat ik het nooit echt ga voelen.

Hoe verschilt machine learning van traditioneel programmeren?

Oké, hier komt 'ie, alsof 't m'n laatste biertje is:

Machine learning (ML) is anders dan traditioneel programmeren omdat je bij ML de computer leert zelf oplossingen te vinden, terwijl je bij traditioneel programmeren elke kleine stap voorkauwt. Alsof je tegen een kind zegt: "Eet je groenten" versus een heel recept voor broccolisoep uitschrijven.

• Traditioneel programmeren: Jij bent de baas, jij schrijft ELKE regel. Het is net als een bouwtekening voor een vogelhuisje.
• Machine learning: Je geeft de computer een stel voorbeelden en zegt: "Zoek het zelf maar uit!" Het is net als een kind leren fietsen zonder zijwieltjes.

Bij ML hoef je niet meer elk mini-detail uit te leggen. Stel je voor, je programmeert een robot om katten van honden te onderscheiden. Met traditioneel programmeren moet je elke eigenschap (kleur, grootte, vorm van de oren) uitleggen. Met ML geef je de robot gewoon duizenden plaatjes van katten en honden, en laat je 'm zelf de verschillen ontdekken. Wel zo makkelijk, toch? Ik heb zelf laatst nog geprobeerd m'n schoonmoeder ML te leren, maar dat is tot nu toe een verloren zaak.

Wat kan deep learning doen wat traditionele machine learning-methoden niet kunnen?

• Deep learning verwerkt ongestructureerde data, iets waar traditionele ML moeite mee heeft. Ik zag dit toen ik probeerde een bot te bouwen die tweets analyseerde. De traditionele ML bleef hangen op de hashtags en gebruikersnamen, terwijl de deep learning de onderliggende emotie oppikte.

• Het verschil is groot. ML is beperkt tot gestructureerde data, zoals databases met namen, nummers, datums. Zoals mijn oude Excel sheet met verkopen.

• Tekst, audio, sociale media... dat is deep learning territory. Ik weet nog dat ik probeerde mijn moeders handschrift te digitaliseren met ML. Onmogelijk. Nu kan een deep learning model dat waarschijnlijk met gemak. Zonde van de tijd toen.