Wat is machine learning in eenvoudige bewoordingen?

Machine learning is een onderdeel van kunstmatige intelligentie waarmee systemen uit ervaringen en gegevens kunnen leren om hun prestaties in de loop van de tijd te verbeteren, zonder dat ze daar expliciet door een ontwikkelaar voor zijn geprogrammeerd.

Wat is het verschil tussen AI en machine learning?

Als je informatie zoekt over het verschil tussen AI en machine learning, zul je merken dat sommige mensen deze termen ten onrechte door elkaar gebruiken. AI is in wezen een overkoepelende term voor kunstmatige intelligentie. Machine learning daarentegen is een onderdeel van AI waarmee machines kunnen leren van ervaringen en gegevens, zonder dat iemand ze daarvoor hoeft te programmeren of te begeleiden. Een machine die AI gebruikt, hoeft niet per se over ML-mogelijkheden te beschikken. In 1996 gebruikte het schaaksysteem Deep Blue van IBM bijvoorbeeld meer AI en minder ML om de Russische grootmeester Garry Kasparov te verslaan door talloze zetten in realtime te evalueren.

In welke sectoren wordt machine learning toegepast? Â

Overheden gebruiken machine learning voor nutsvoorzieningen, openbare veiligheid, fraudedetectie, of grenscontrole door enorme hoeveelheden data te analyseren. Zorgbedrijven gebruiken machine learning om diagnoses en behandelingen te verbeteren en nauwkeurige gezondheidsmonitoringapparaten te ontwikkelen. Retailbedrijven kunnen hun gerichte marketingdoelen verbeteren door klantkooppatronen te analyseren. De energiesector vindt bronnen efficiënter met machine learning-algoritmes. Veel bedrijven in de transportsector, zoals bezorgbedrijven, ritdelingsdiensten en openbaar vervoer, gebruiken computers om ideale routes te vinden ter verbetering van diensten, winstgevendheid en vermindering van de ecologische voetafdruk. De financiële sector gebruikt machine learning om cybersecurity en essentiële datainsights te verbeteren.

Wat zijn de belangrijkste vormen van machine learning?

De vier belangrijkste methoden zijn: supervised learning, waarbij algoritmen worden getraind met behulp van gelabelde datasets; unsupervised learning, waarbij ongelabelde gegevens zelfstandig worden verwerkt; semi-supervised learning, waarbij zowel gelabelde als ongelabelde gegevens worden gecombineerd; en reinforcement learning, waarbij het systeem zich ontwikkelt door middel van vallen en opstaan en uitgestelde beloningen.

Hoe wordt machine learning toegepast in cyberbeveiliging?

Machine learning vormt de basis voor tools zoals Endpoint Detection and Response (EDR), die onbekende malware en zero-day-bedreigingen kunnen opsporen door schadelijke patronen te herkennen. Ook proactieve antivirussoftware maakt intensief gebruik van machine learning om opkomende bedreigingen voor te blijven.

Wat is machine learning (ML)?

Belangrijkste conclusies

Machine learning is een onderdeel van kunstmatige intelligentie (AI). Kort gezegd stelt het systemen in staat hun prestaties te verbeteren door te leren van ervaringen en gegevens.
Bij machine learning (ML) gaat het om het ontwikkelen van algoritmen waarmee machines uit ervaring kunnen leren. AI richt zich op het bouwen van slimme machines, terwijl ML de drijvende kracht is achter het trainen van die machines met behulp van data.
Malwarebytes machine learning om malware te detecteren die nog nooit eerder in het wild is aangetroffen, waaronder zero-day-bedreigingen.
Anomaliedetectie op basis van machine learning kan verdacht gedrag opsporen door patronen te herkennen die afwijken van de norm.
Deep learning is een van de meest geavanceerde vormen van machine learning en stimuleert nieuwe ontwikkelingen in tal van sectoren, waaronder cyberbeveiliging.

Wat is machine learning precies (met voorbeelden)?

Dus, wat is machine learning (ML) precies, en waarom is het zo belangrijk? Nou, ML is een toepassing van AI en een tak van de informatica die systemen in staat stelt te leren van ervaringen, data en algoritmes om de nauwkeurigheid te verbeteren. Interessant genoeg hoeven ontwikkelaars machines niet expliciet te programmeren om voordeel te halen uit ML — computers kunnen zelf leren zonder menselijke tussenkomst.

Moderne technologieën zoals chatbots, virtuele assistenten, proactieve antivirussoftware en meer vertrouwen sterk op machine learning. Zo gebruiken zelfrijdende voertuigen meerdere ML-algoritmes op basis van zowel gesuperviseerd als niet-gesuperviseerd leren om te beslissen welke acties ze moeten ondernemen om net zo goed of beter te rijden dan mensen.

Evenzo kan cybersecurity voor bedrijven, zoals Endpoint Detection and Response (EDR), machine learning gebruiken om onbekende malware op te sporen en onbekende "zero-day" bedreigingen te detecteren door kwaadaardige patronen te identificeren. Dit is slechts het topje van de ijsberg van hoe machine learning de cybersecurity in de toekomst zal beïnvloeden.

ML en AI maken ook communicatie tussen machines mogelijk zonder menselijke tussenkomst. Dergelijke machine-to-machine (M2M) toepassingen kunnen supply chain- of magazijnbeheersystemen helpen om efficiënt voorraden bij te houden en te monitoren. Evenzo helpen M2M-toepassingen energiebedrijven om de levering nauwkeuriger te beheren door verzamelde data van energiebronnen naar externe computers voor analyse te sturen.

Wat zijn enkele veelvoorkomende methoden van machine learning?

Gesuperviseerd machine learning

Bij gesuperviseerd leren worden algoritmen met gelabelde datasets getraind door een supervisor. Supervised data komt vaker voor dan andere leermethoden omdat het efficiënter kan zijn. Een voorbeeld van dit type ML is wanneer algoritmen spam in uw inbox kunnen classificeren.

Niet-gesuperviseerd machine learning

Niet-gesuperviseerd leren is wanneer een algoritme werkt met niet-gelabelde data zonder toezicht. Het moet zelf bepalen hoe het informatie verwerkt. Onderzoekers kunnen niet-gesuperviseerd leren gebruiken om patronen en datagroepen in niet-gelabelde datasets te vinden zonder tussenkomst. Natuurlijk kan een data-analist nog steeds aanbevelingen van niet-gesuperviseerd machine learning moeten valideren.

Semi-gesuperviseerd machine learning

Semi-gesuperviseerd leren zoekt een balans tussen gesuperviseerd en niet-gesuperviseerd leren door algoritmen te trainen met gelabelde en niet-gelabelde data. Meestal is de hoeveelheid gelabelde data kleiner, terwijl de hoeveelheid niet-gelabelde data veel groter is. Een toepassing van semi-gesuperviseerd leren is in een ziekenhuis, waar een radioloog een klein aantal scans labelt voor ziekten om machines te helpen relevante informatie uit een groter volume te halen.

Reinforcement machine learning

Reinforcement leren is vergelijkbaar met gesuperviseerd leren, behalve dat het algoritme leert door middel van trial-and-error en uitgestelde beloningen in plaats van voorbeelddata. Zo kan een autonoom voertuig via fouten in een trainingsomgeving leren welke beslissingen ongewenst zijn. Evenzo kan een gezondheidssysteem dit gebruiken om optimale beleidsvoeringen uit eerdere ervaringen vast te stellen.

Wat is machinaal leren (ML)?