Machine learning en artificial intelligence

Deep learning en Machine learning, 2 interessante ontwikkelingen

Machine learning

Machines die leren, we zijn er eigenlijk allemaal een beetje bang voor. Science Fiction boeken en films hebben die angst gebruikt om lezers en kijkers te binden En dat is hen vaak goed gelukt.
Desondanks zijn wetenschappers, waaronder ook schrijvers van diezelfde verhalen, al heel lang bezig de robotica en het zelfstandig denken van machines te ontwikkelen.

Machine learning artificial intelligence

Om te komen tot machines die zelfstandig denken, moeten we eerst de machines laten leren. En dat is niet zo eenvoudig, het zijn tenslotte machines.

Laten we eerst een ingaan op de geschiedenis.

Geschiedenis van de lerende machines
Machinaal leren biedt de mens veel voordelen en het aantal toepassingen voor machinaal leren groeit sneller dan ooit. Het is echter een lange reis geweest voor de lerende machine on algemeen geaccepteerd te worden

De term “machinaal leren” werd gebruikt door de ontwikkelaar van een gecomputeriseerd damspel. Het spelen van de computer verbeterde met de in het verleden geleerde zetten en resultaten van het spel. Daarmee werd dan een winnende strategie ontwikkeld.
Het denken op de manier van ons eigen brein kwam naar voren toen Frank Rosenblatt een neuraal netwerk in de computer ontwikkelde, gebaseerd op perceptie, het perceptron.I
In 1967 werd een algoritme ontworpen dat het begin van de basispatroonherkenning met behulp van computers markeerde.

De vroege ontwikkelingen in het denken door machines waren belangrijk, maar werden weinig gebruikt in de praktijk. De computers zelf hadden vaak niet voldoende rekenkracht en men zag ook geen mogelijke toepassingen. De ontwikkelingen in de kunstmatige intelligentie, of AI naar de afkorting in het Engels kwamen grotendeels tot stilstand tot in de jaren tachtig.

Tot in de negentiger jaren stonden het machine learning en de artificial intelligence op gelijke voet. Maar toen vonden onderzoekers en wetenschappers nieuwe en bestaande praktische toepassingen voor het leren door machines en voor technische. rekenkundige manieren om problemen op te lossen. Machinaal leren kon nu verder gaan dan kunstmatige intelligentie.

De zoektocht naar toepassingen van lerende machines gaf de wetenschappers ook nieuwe mogelijkheden, gebaseerd op de waarschijnlijkheidsleer en statistische waarschijnlijkheden, en niet meer op het menselijke gedrag op zich. Lerende machines zijn nu een nieuw wetenschappelijk gebied. Universiteiten, het bedrijfsleven en individuele onderzoekers houden zich intensief bezig met deze wetenschap.

AI Machine Learning, Modern machine learning

Dagelijks wordt het machine learning en lerende apparaten gebruikt. Het onderzoek beperkt zich al lang niet meer tot de Science Fiction. Overal waar een grote hoeveelheid informatie beschikbaar is over het gedrag van mensen of gebeurtenissen, het analyseren van deze informatie en het gebruik van ervan in het bedrijfsleven of door regeringen, daar wordt ook onderzoek verricht.

De moderne computers zijn krachtiger en hebben dus meer rekenkracht. Het gebruik van computers is algemener en veel goedkoper geworden. Het internet heeft er voor gezorgd dat de informatie over artificial intelligence en machine learning verspreidt is, en nog steeds verder verspreidt wordt. Daardoor zijn ook open-source machine leermiddelen beschikbaar gekomen en is onderandere blockchain technologie ontstaan.

Natuurlijk zijn internet providers de eersten die interesse hebben in het leervermogen van hun computers, maar de medische en biomedische sector laat ook van zich horen. Robotica in de industrie en de logistiek zijn ook een duidelijke open deur naar denkende en lerende machines.

Onderzoekers in de medische wereld zien ook grote voordelen, ze willen de lerende computers gebruiken om patronen te ontdekken bij ziekten. Daarmee wordt de voorspelbaarheid van ziekten groter en kunnen epidemieën en pandemieën voorspeld en zelfs voorkomen worden. Maar ook bij onderzoeken op kleinere schaal kunnen intelligente en lerende apparaten helpen. Binnen bepaalde ziekenhuizen bijvoorbeeld zijn bacteriën gevonden die niet meer reageren op antibiotica. Zorgverlenende organisaties, maar ook verzekeringsmaatschappijen maken zich grote zorgen over deze bacteriën, omdat er geen echte ‘verdediging’ mogelijk is.

Ook het onderzoek naar ziekteverwekkers als het Coronavirus zal in de zeer nabije toekomst gebruik gaan maken van het leervermogen dat computers nu al bezitten.

AI machine learning is een spannend vakgebied met steeds meer mogelijkheden. Door de open benadering van onderzoekers en computertechnici wereldwijd kan deze kennis en kunde door steeds meer mensen, bedrijven en instellingen ingezet worden bij onderzoeken en in het dagelijkse leven. Lerende machines zullen overal gevonden worden, meer nog dan nu al het geval is. De technologie en de daaruit voortgekomen hulpmiddelen zijn in de meeste gevallen vrij beschikbaar, ook voor het algemene publiek.

Wat is machine learning precies

Machine learning is een benadering voor het analyseren van data die gebruik maakt van modellen waarbij programma’s kunnen leren door middel van ervaring. De modellen worden voortdurend aangepast met algoritmen waarmee ze steeds meer en steeds beter kunnen ‘voorspellen’. Handelingen en opdrachten worden dan gebonden aan die voorspellingen, waardoor een lerend programma ontstaat, een lerende machine.

En dan het hoofdstuk kunstmatige Intelligentie

Het is de moeite waard om het verschil tussen machine learning en kunstmatige intelligentie te benadrukken. De computerwetenschappen hebben nu al diverse onderdelen, machinaal leren is een studiegebied en een manier om ontwerpen van algoritmen te benaderen. Dit maakt het mogelijk om kunstmatig intelligente programma’s en machines te maken en te ontwerpen.

Machine learning, talen en vertalen

Machinaal leren wordt ingezet voor het oplossen van problemen. Bij een natuurlijke taalverwerking zijn de interacties tussen computers en menselijke taalkundigen belangrijk. Ondersteunende vertaalprogramma’s slaan gegevens op en bewaren die om ze steeds weer te gebruiken. Om een vertaling natuurlijk te laten overkomen is het steeds herhalen van dezelfde vertaling voor dezelfde term niet voldoende. Hetzelfde woord kan in een taal verschillende betekenissen hebben. Het inschatten van die verschillende vertalingen is zelfs voor een menselijke vertaler een groot probleem. Wanneer is een peertje een vrucht, en wanneer is het een lamp? Hierbij is het inzetten van kunstmatige intelligentie mogelijk.

AI, artificial intelligence dus. kan leren en de kennis van in het geheugen opgeslagen middelen, als woordenboeken en voorgaande vertalingen gebruiken om de juiste keuze te maken tussen meer mogelijkheden. Nu al geven de gewoonlijk gebruikte vertaalgeheugens, de zogenaamde CAT-tools, een menselijke vertaler vier, vijf of zelfs meer mogelijkheden bij elke zin die vertaald moet worden. De interactie met een menselijke vertaler is nodig omdat het overzicht van een groter geheel, zoals een serie te vertalen boeken, niet door een machine bereikt kan worden. Er zijn deep learnig machines in ontwikkeling, maar de menselijke samenwerking, interactie zal nog heel lang nodig blijven. Vertaler is op dit moment een redelijk veilig beroep.

Verzekerings-maatschappijen

Het voorspellen van de aantallen en de hoogte van claims kan het bestaan van een verzekeringsmaatschappij maken of breken. Het bepalen van de hoogte van premies is daarbij heel belangrijk. De algoritmen om deze voorspellingen zo precies mogelijk te maken worden ingezet met behulp van lerende machines. Daarnaast gebruiken sommige bedrijven in de verzekerings- en bancaire sector machine learning om fraude op te sporen.

Diagnoses, medicijnen en bio mechanica

Medische onderzoekers werden in het verleden begrenst door de informatie die ze konden verzamelen en verwerken, net als tegenwoordig. Maar de hoeveelheid informatie die een persoon nu kan verzamelen en lezen, bestuderen, verwerken is exponentieel toegenomen. Een oudere voormalig student kon alleen boeken lezen, daaruit de informatie verzamelen die hij nodig dacht te hebben, en die informatie overbrengen op een nieuw medium, een onderzoeksverslag of een boek! Het opslaan, verzamelen en verwerken van informatie gaat nu, met behulp van kunstmatige intelligentie en lerende machines, niet alleen sneller. het wordt ook steeds grondiger naarmate de machine leert. Momenteel worden machinale leermethoden ontwikkeld om ook biologische gegevens efficiënt en nuttig op te slaan en om op een intelligente manier betekenis te verzamelen uit de opgeslagen informatie.

Het herkennen van patronen in de ontwikkeling van ziekten kan leiden tot een beter begrip van de ziekten zelf en het effect ervan op patiënten. Ook bij de diagnose van een ziekte kan kunstmatige intelligentie ingezet worden door het identificeren van groepen, volken en landen die open staan voor bepaalde ziekten, en niet voor anderen. Daardoor kan men bepalen wie het meeste risico loopt op een bepaalde ziekte, en de infectie voorkomen.

Het herkennen van patronen en identificatie

Dit is een controversieel onderwerp. Het herkennen van patronen in afbeeldingen en foto’s kan gebruikt worden ter bestrijding van misdaden. Het zoeken van een verdachte in een drukke groep personen kan leiden tot het tijdig oppakken van die verdachte. Daarmee worden misdaden voorkomen. Maar het kan niet of nauwelijks in de praktijk gebruikt worden zonder machine learning, artificial intelligence software en computers.

Helaas is het daarmee ook mogelijk politieke tegenstanders of persoonlijke vijanden van de machthebbers of gebruikers van dergelijke systemen te identificeren.
Het gebruik van computers met specifieke AI software om patronen te identificeren en objecten in afbeeldingen, video’s en andere mediabestanden te identificeren is veel minder praktisch zonder machinale leertechnieken. Het schrijven van programma’s om objecten binnen een afbeelding te identificeren zou niet erg praktisch zijn als er voor elk object dat u wilt identificeren een specifieke code moet worden geschreven.

In plaats daarvan kunnen beeldherkennings-algoritmen, ook wel image classifiers genoemd, getraind worden om beelden te classificeren op basis van hun inhoud. Deze algoritmen worden getraind door het verwerken van veel voorbeeldafbeeldingen die al geclassificeerd zijn. Met behulp van de overeenkomsten en verschillen van afbeeldingen die ze al hebben verwerkt, verbeteren deze programma’s door hun modellen bij te werken elke keer dat ze een nieuwe afbeelding verwerken. Deze vorm van machinaal leren die in de beeldverwerking wordt gebruikt, wordt meestal gedaan met behulp van een kunstmatig neuraal netwerk en staat bekend als deep learning.

Zoekmachines

Het zoeken op het web profiteert ook van het gebruik van deep learning door het te gebruiken om de zoekresultaten te verbeteren en vragen van gebruikers beter te begrijpen. Door het analyseren van het gedrag van de gebruiker vergeleken met de vraagstelling en de resultaten die worden geserveerd, kunnen bedrijven hun zoekresultaten verbeteren en begrijpen wat de beste set van resultaten is voor een bepaalde vraagstelling. Zoeksuggesties en spellingcorrecties worden ook gegenereerd door gebruik te maken van machine leertactieken op geaggregeerde vraagstellingen van alle gebruikers.

Aanvullende toepassingen van machine learning

Machine learning, omdat het slechts een wetenschappelijke benadering van het oplossen van problemen is, heeft bijna onbeperkte toepassingen. Naast de bovenstaande toepassingen kan het gebruik van machine leertechnieken ook worden gezien in de genetische wetenschappen voor de classificatie van DNA-sequenties, in het bankwezen voor de opsporing van fraude, in online reclame voor de perfectie van doelgerichte advertenties, en in vele andere industrieën om de efficiëntie en de capaciteit van de gegevensverwerking te verbeteren.

Hoe werkt machinaal leren?

Het is duidelijk dat er veel manieren zijn waarop machinaal leren vandaag de dag wordt gebruikt. Maar hoe wordt het gebruikt? Wat doen deze programma’s eigenlijk om problemen effectiever op te lossen? Hoe verschillen deze benaderingen van historische methoden om problemen op te lossen?

Zoals gezegd is machine learning een vakgebied van de computerwetenschap dat erop gericht is om computers de mogelijkheid te geven om te leren zonder dat ze expliciet geprogrammeerd zijn. De aanpak of het algoritme dat een programma gebruikt om te “leren” is afhankelijk van het type probleem of taak waarvoor het programma is ontworpen.

Dus een goede manier om te begrijpen hoe machine learning werkt, is te begrijpen welke soorten problemen machinaal leren probeert op te lossen en dan te kijken hoe het die problemen probeert op te lossen. Ten eerste, een lijst van de soorten problemen die machinaal leren probeert op te lossen:
Machine learning vs AI

Soorten machinale leertaken

De algoritmen voor machine learning hebben allemaal tot doel om te leren en hun nauwkeurigheid te verbeteren naarmate ze meer datasets verwerken. Een manier waarop we de taken die de machinale leeralgoritmen oplossen kunnen classificeren is door de hoeveelheid feedback die ze aan het systeem geven. In sommige scenario’s wordt de computer voorzien van een aanzienlijke hoeveelheid gelabelde trainingsgegevens, wat supervised learning wordt genoemd. In andere gevallen worden er geen gelabelde gegevens verstrekt en wordt dit onbeheerd leren genoemd. Ten slotte worden bij semi-supervised learning enkele gelabelde opleidingsgegevens verstrekt, maar de meeste opleidingsgegevens zijn niet gelabeld.

Begeleid leren

Begeleid leren is de meest praktische en breed geaccepteerde vorm van machinaal leren. Het gaat om het creëren van een wiskundige functie die de inputvariabelen relateert aan de gewenste outputvariabelen. Er wordt een grote hoeveelheid gelabelde trainingsdatasets geleverd die voorbeelden geven van de gegevens die de computer zal verwerken.

Begeleide leertaken kunnen verder worden gecategoriseerd als “classificatie” of “regressie” problemen. Classificatieproblemen maken gebruik van statistische classificatiemethodes om een categorisering uit te voeren, bijvoorbeeld “hotdog” of “niet hotdog”. Regressieproblemen daarentegen maken gebruik van statistische regressieanalyse om numerieke output te leveren.

Semi-begeleid leren

Semi-supervised learning is eigenlijk hetzelfde als supervised learning, behalve dat van de verstrekte opleidingsgegevens slechts een beperkte hoeveelheid wordt gelabeld.

Beeldherkenning is een goed voorbeeld van semi-begeleid leren. In dit voorbeeld kunnen we het systeem voorzien van meerdere gelabelde beelden met objecten die we willen identificeren, en vervolgens veel meer niet gelabelde beelden verwerken in het trainingsproces.

Onbegeleid leren

Bij onbegeleid leerproblemen is alle input niet gelabeld en moet het algoritme zelf structuur aanbrengen in de input. Clusteringsproblemen (of clusteranalyse problemen) zijn onbewaakte leertaken die proberen groeperingen binnen de input datasets te ontdekken. Voorbeelden hiervan zijn patronen in voorraadgegevens of consumententrends. Neurale netwerken worden ook vaak gebruikt om onbeheerde leerproblemen op te lossen.

Algoritmen voor machine learning en benaderingen voor het oplossen van problemen

Een algoritme is een aanpak om een probleem op te lossen, en machinaal leren biedt veel verschillende benaderingen om een grote verscheidenheid aan problemen op te lossen. Hieronder vindt u een lijst met enkele van de meest voorkomende en nuttige algoritmen en benaderingen die vandaag de dag in machine leerapplicaties worden gebruikt. Houd er rekening mee dat toepassingen vaak veel van deze benaderingen samen zullen gebruiken om een bepaald probleem op te lossen:

Kunstmatige neurale netwerken

Een kunstmatig neuraal netwerk is een rekenmodel dat gebaseerd is op biologische neurale netwerken, zoals het menselijk brein. Het maakt gebruik van een aantal functies om een ingangssignaal of bestand te verwerken en over meerdere fasen te vertalen naar de verwachte output. Deze methode wordt tegenwoordig vaak gebruikt voor beeldherkenning, taalvertaling en andere gangbare toepassingen. Deep learning is een van de toepassingen.

Diepgaand leren of Deep Learning uitleg

Diepgaand leren of diep learning verwijst naar een familie van machinale leeralgoritmen die zwaar gebruik maken van kunstmatige neurale netwerken. Deep learning algoritmes maken gebruik van zeer diepe neurale netwerken, waarbij “diep” verwijst naar het aantal lagen, of iteraties tussen input en output. Aangezien de rekenkracht minder duur wordt, worden de leeralgoritmes in de huidige toepassingen “dieper”. De term deep learning kan hier uitgelegd worden als grondiger.