Wat zijn algoritmen in machine learning?

Wat is een machine learning algoritme?

Een machine learning algoritme, ja... het is... het is een soort reeks instructies, geloof ik. Die computers gebruiken om te leren, zonder dat je ze elk stapje vertelt. Net als een kind dat dingen opmerkt, door te kijken. Ze zien patronen in de data, en die patronen, die helpen ze dan om later dingen te voorspellen.

Denk aan die stapels gegevens, van alles en nog wat. Gestructureerd, zoals in tabellen, of juist rommelig, zoals teksten of foto's. Het algoritme, dat duikt erin, en filtert er de essentie uit. Het zoekt naar verbanden. En die verbanden, die zijn dan weer de basis voor wat er daarna komt.

Het gaat niet alleen om wat er was, maar vooral om wat zal zijn. Voorspellingen doen. Dat is waar het echt om draait, toch? Dat die voorspellingen, dat ze nuttig zijn. Dat organisaties er wat mee kunnen, om hun werk beter te doen. Beslissingen nemen, zeg maar.

Dus, het is een tool die leert van wat er was, om te helpen met wat komen gaat. Het ontdekt zelf. Zonder dat je elke regel code uitschrijft voor elke mogelijke situatie. Dat is het bijzondere eraan, denk ik.

Hoeveel algoritmen zijn er in machine learning?

Het was die ene regenachtige dinsdag in november, de geur van nat asfalt hing zwaar in de lucht, dat ik plotseling werd overspoeld door die vraag. De universiteitsbibliotheek, met zijn stille fluisteringen van duizenden verhalen, voelde ineens verstikkend. Ik zat aan een tafeltje bij het raam, het glas beslagen van de kou, en staarde naar de druppels die hun eigen paden naar beneden zochten. De vraag leek zo simpel, maar tegelijkertijd oneindig complex.

Hoeveel algoritmen zijn er in machine learning? Een direct antwoord voelde onmogelijk. Ik herinnerde me een lezing van vorig jaar, Professor Jansen die enthousiast over het onderwerp sprak, maar ik kon me de precieze aantallen niet voor de geest halen. Het voelde als proberen een vlucht vogels te tellen.

De kern, zo realiseerde ik me toen, lag niet in een exact cijfer. Het draaide om de fundamentele indeling.

• Supervised Learning: Dit is als leren met een docent. Je geeft de machine voorbeelden met de juiste antwoorden. Stel je voor dat je een kind leert wat een appel is. Je toont foto's van appels en zegt "dit is een appel". De machine leert dan patronen herkennen om appels te identificeren. Een veelgebruikt voorbeeld hiervan is de lineaire regressie, vaak gebruikt om relaties tussen variabelen te voorspellen.

• Unsupervised Learning: Hierbij krijgt de machine geen antwoorden. Het is als een kind dat zelf de wereld verkent. De machine zoekt naar patronen en structuren in de data. Denk aan het groeperen van dezelfde soorten fruit zonder dat je erbij zegt wat wat is. Een klassiek voorbeeld hiervan is clustering, waarbij data in groepen worden verdeeld op basis van hun gelijkenissen.

Dus, hoewel er talloze specifieke algoritmes bestaan binnen deze twee categorieën – denk aan beslisbomen, neurale netwerken, Support Vector Machines (SVM's), K-Means clustering om er een paar te noemen – zijn ze allemaal te categoriseren onder deze twee hoofdvormen. Het aantal is dus eigenlijk oneindig als je alle variaties meetelt, maar de basisprincipes zijn er twee. Het was die regenachtige middag dat ik besefte dat de kracht van machine learning niet in de hoeveelheid zit, maar in de manier waarop het leert.