Als je in de IT werkt, heb je er vast weleens van gehoord: Machine Learning (ML). Begonnen als een wetenschappelijk concept, maar ondertussen is de zoektocht naar slimmere machines een hype in de corporate wereld. In de laatste blog over ML werd verteld wat het precies inhoudt en hoe jouw organisatie ervan kan profiteren. Ook kwamen wij erachter dat ML bestaat uit 4 typen algoritmen namelijk supervised learning, unsupervised learning, semi-supervised learning en reinforcement learning.
Maar wat is nou precies het verschil tussen deze algoritmen?
Supervised Learning
Bij supervised learning leert het algoritme door middel van voorbeelden. Het algoritme krijgt een dataset met de gewenste input en de bijbehorende output. Met behulp van deze data moet het algoritme een methode vinden waarmee deze output wordt gegenereerd. Het algoritme identificeert patronen in data, leert van observaties en doet voorspellingen. Het algoritme corrigeert eventueel eerdere voorspellingen. Hierna het algoritme nieuwe voorspellingen kan doen. Dit proces wordt continu uitgevoerd totdat het algoritme zo nauwkeurig mogelijk is. Een klassiek voorbeeld van de toepassing hiervan is sentimentanalyse. De sentimentanalyse voorspelt het sentiment van een stuk tekst (bv. een tweet of productrecensie).
Unsupervised learning
Bij unsupervised learning kijkt het algoritme naar data om patronen te identificeren. Er is hier geen sprake van een persoon die de voorspellingen corrigeert of instructies geeft. In plaats daarvan bepaalt het algoritme de correlaties en relaties door de data te analyseren. Het interpreteren van grote datasets wordt geheel aan de machine overgelaten. Hierbij probeert het algoritme de gegevens te ordenen om meer structuur te creëren. Dit doet hij door bijvoorbeeld de data in clusters te groeperen of ordent hij het zodanig totdat er zichtbare structuur in zit. Marketing maakt bij het bepalen van klantsegmenten in data gebruik van clustering. Door verschillende klantsegmenten te bepalen (denk aan kenmerken als leeftijd, geslacht, opleiding etc.) zijn marketing teams in staat hun aanbod zodanig af te stemmen dat deze precies aansluit op wat de klant zoekt.
Semi-supervised learning
Semi-supervised learning is vergelijkbaar met supervised learning, maar gebruikt in plaats van gelabelde data ook niet-gelabelde data. Gelabelde data is in wezen informatie met veelbetekenende tags waarmee het algoritme de data kan interpreteren. Niet-gelabelde data mist deze informatie. Door gebruik te maken van deze combinatie kan het algoritme leren om een label toe te kennen aan niet-gelabelde data. Een veelvoorkomend voorbeeld hier is het classificeren van tekstdocumenten. In zo een situatie is semi-supervised learning ideaal. Het is onmogelijk om een grote hoeveelheid gelabelde tekstdocumenten te vinden. Het is immers niet efficiënt om een persoon hele tekstdocumenten te laten lezen om er een label aan toe te kennen.
Reinforcement learning
Reinforcement learning richt zich op gereguleerde leerprocessen. Hierbij wordt het algoritme voorzien van een reeks acties, parameters en eindwaarden. Door de regels te definiëren, verkent het algoritme verschillende opties en mogelijkheden. Elk resultaat wordt eerst gecontroleerd en daarna geëvalueerd om te bepalen welke optimaal is. Dit heet trial and error. Het leert van de resultaten uit het verleden om vervolgens zijn aanpak aan te passen aan de situatie. Dit doet hij totdat hij het meest optimale resultaat bereikt. Bijvoorbeeld, zelfrijdende auto’s maken gebruik van reinforcement learning. Hierbij leert de auto wat hij moet doen op basis van interacties met zijn omgeving.
Maak de juiste keuze
Bij het kiezen van de juiste algoritme moet je een aantal factoren overwegen:
- Wat voor data is er beschikbaar? Denk hierbij bijvoorbeeld aan de grootte en de complexiteit van de datasets.
- Hoe nauwkeurig moeten de voorspellingen zijn?
- Hoe snel moet het algoritme zijn?
Wil jij erachter komen wat de juiste ML oplossing is voor jouw probleem? Neem dan contact met ons op.