Offerte aanvragen

Slimme computers dankzij (un)supervised learning

Aan de slag met machine learning

Is uw organisatie toe aan werken met kunstmatige intelligentie? Wilt u stappen zetten op dit vlak? Ga dan aan de slag met de mogelijkheden van zelflerende computers – machine learning – via supervised learning en unsupervised learning. Ontdek hier uw voordelen en hoe het werkt.

Voorbeelden van machine learning

Via (un)supervised learning

De zelfrijdende auto is misschien wel het meest bekende voorbeeld van een zelfdenkende ‘machine’. Hij reageert bijvoorbeeld op wat er voor en achter hem gebeurt of op het wegdek. Ook de mobiele telefoon die uw gezicht of stem herkent, is zo’n bekend voorbeeld. Verder kent u vast de dam- en schaakcomputers. En creditcardbedrijven sporen met zelfdenkende computers al fraude op.

Ook voor uw organisatie zijn er ongetwijfeld slimme mogelijkheden.

3 Belangrijkste uitgelicht

Technieken voor machine learning

  • Supervised learning
  • Unsupervised learning
  • Reinforcement learning

Hieronder ervaart u de verschillen en mogelijkheden van deze technieken. Of check alvast meer achtergrond over (de hulp van APPelit bij) machine learning.

Wat is supervised learning? Uitleg
Een computermodel dat een basisprogrammering kent, maar verder vooral zelf leert op basis van 2 gegevens: wat u invoert (of wat hij zelf invoert op basis van herkenning) én wat eruit rolt. Een voorbeeld: u stopt de plek van 10.000 huizen in het programma. Wat eruit rolt, kan de marktwaarde van al deze huizen zijn. Dankzij supervised learning traint het computermodel het verband tussen de plek en de prijs.

Doordat de software zichzelf hiermee traint, doet die uiteindelijk ook nauwkeurige voorspellingen over de waarde van nog onbekende huizen.

Neem contact op

machine en supervised learning ontwikkelaar ontwikkelbedrijf

Betekenis

Wat is unsupervised learning?

Unsupervised learning lijkt op ‘supervised learning’. Het grote verschil? De computer krijgt bij unsupervised learning alleen invoergegevens. Categoriseren is hier een goed voorbeeld van. In het vorige huizenvoorbeeld krijgt de software de marktwaarde en de plek van huizen; daarmee deelt die ze zelf in categorieën in. De vertaling naar de echte wereld zouden groepen huizen kunnen zijn, zoals “dure huizen in Utrecht”, “middenklasse huizen in Utrecht”, “goedkope huizen in Utrecht” enzovoort.

Wat is reinforcement learning? Verklaring
Bij reinforcement learning leert de computer op basis van een bepaald doel. Zoals: een potje schaken winnen. De computer weet dan vooraf niet hoe hij moet schaken; hij krijgt hooguit de mogelijke zetten geprogrammeerd (loper alleen schuine zetten, toren alleen rechtuit of opzij) en wat het doel is: de tegenstander uitschakelen. Grote kans dat de computer hierdoor eerst tientallen potjes verliest voordat hij doorheeft hoe het spel werkt. Daarna kan hij winnen en zelfs wereldkampioen worden.

Zo traint u programma’s

Data vanuit (un)supervised learning

Heeft uw organisatie grote hoeveelheden gegevens, data? Dan komt u het beste weg met supervised learning en unsupervised learning. U traint de computer dan in 2 of 3 stappen:

  • 70% van uw gegevens om de computer te trainen
  • 15% van uw gegevens om uw data te toetsen/valideren
  • 15% om te testen

Bij stap 1 en 2 is uw programma nog aan het leren. Bij stap 3 is uw computer klaar voor het echte werk: nauwkeurige voorspellingen doen. U kijkt daarbij hoe goed de uitkomsten/voorspellingen zijn.

Neem contact op

(un)supervised learning

Hoeveel gegevens zijn genoeg?

Doel versus (un)supervised learning

Uw doel bepaalt hoeveel gegevens u nodig hebt. Voor het voorbeeld van de gezichtsherkenning op uw telefoon hebt u ongeveer 11.000 foto’s nodig van circa 1.200 mensen. Voor herkenning van taal en emoties in woorden hebt u zeker 1,5 miljard berichten nodig… Om maar even 2 uitersten te noemen.

Hulp nodig bij uw machinelearning-computer via supervised of unsupervised learning? APPelit, expert in softwareontwikkeling, staat met vele jaren ervaring voor u klaar.

Meer weten? Aan de slag met (un)supervised learning?

Als u hieronder uw bedrijfsgegevens achterlaat, ontvangt u binnen een dag een voorstel voor een vrijblijvende kennismaking.

Wij werken onder andere met

APPelit ontwikkelt in laravel APPelit werkt met angularjs APPelit ontwikkelt in html5 en css3 APPelit ontwikkelt in .net APPelit ontwikkelt in ionic APPelit ontwikkelt in unity 3d APPelit ontwikkelt voor android APPelit ontwikkelt voor ios APPelit ontwikkelt in typescript angular-material ontwikkelaar appelit heeft kennis van libgdx appelit gebruikt o.a. het YII framework appelit werkt met symfony appelit gebruikt zend-framework APPelit ontwikkelt met cake php appelit ontwikkelt met o.a. codeignitor appelit werkt met python appelit ontwikkelt met o.a. Django appelit ontwikkelt met o.a. Flask APPelit werkt met odoo APPelit ontwikkelt met ruby on rails APPelit ontwikkelt in react APPelit beheerst flutter APPelit werkt met c-sharp APPelit werkt met aps.net APPelit ontwikkelt in vb.net APPelit ontwikkelt in magento APPelit ontwikkelt opencart APPelit ontwikkelt in zencart APPelit ontwikkelt in wordpress APPelit werkt met mean.js APPelit ontwikkelt met vagrant APPelit werkt met mongodb APPelit werkt met mysql appelit werkt met phaser
Sluiten

Wij staan u graag te woord. Of u nu met een vraag zit, advies nodig hebt of een offerte wenst, wij zijn er voor u. Vragen kost niks en is geheel vrijblijvend!

Ons streven is om u binnen 24 uur van een reactie te voorzien.