Fundamenten van machine learning

A

Wat is een activatiefunctie relu sigmoid softmax? Een activatiefunctie introduceert niet-lineariteit in neurale netwerken, waardoor ze complexe relaties kunnen leren. Lees uitleg → Wat is active learning? Active learning is een techniek waarbij het model zelf de meest informatieve datapunten selecteert om te laten labelen, wat de efficiëntie van het leerproces verhoogt. Lees uitleg → Wat is een agent omgeving actie en beloning? In reinforcement learning is de agent de beslisser, de omgeving de wereld waarmee hij interacteert, acties de keuzes en beloningen de feedback. Lees uitleg → Wat is een algoritme in ai? Een algoritme in AI is een gestructureerde reeks stappen of regels die een computer volgt om een specifiek probleem op te lossen of een taak uit te voeren. Lees uitleg → Anomaliedetectie afwijkingsdetectie Anomaliedetectie is het identificeren van datapunten die afwijken van het normale patroon, vaak gebruikt voor fraudedetectie en systeemmonitoring. Lees uitleg → Automl automated machine learning AutoML automatiseert het proces van het selecteren, trainen en optimaliseren van machine learning-modellen, zodat niet-experts toch goede modellen kunnen bouwen. Lees uitleg →

B

Wat is backpropagation? Backpropagation is het algoritme dat de gradiënten van de verliesfunctie efficiënt berekent in neurale netwerken door de fout terug te propageren door de lagen. Lees uitleg → Batch size en iterations Batch size is het aantal trainingsvoorbeelden per gewichtsupdate; een iteratie is één zo'n update. Lees uitleg → Bias variance tradeoff De bias-variance tradeoff beschrijft de balans tussen een te eenvoudig model (hoge bias) en een te complex model (hoge variantie). Lees uitleg →

C

Catastrophic forgetting in neurale netwerken Catastrophic forgetting is het fenomeen waarbij een neuraal netwerk de kennis van eerdere taken verliest wanneer het wordt getraind op nieuwe taken. Lees uitleg → Wat is continual learning permanent leren? Continual learning is het vermogen van een model om achtereenvolgens nieuwe taken te leren zonder de kennis van eerdere taken te vergeten. Lees uitleg →

D

Wat is data en waarom is het essentieel voor ai? Data zijn ruwe feiten, metingen of observaties die als input dienen voor AI-systemen om patronen te leren en beslissingen te ondersteunen. Lees uitleg → Dbscan clustering DBSCAN is een dichtheidsgebaseerd clusteralgoritme dat clusters vindt van willekeurige vorm en tegelijkertijd uitbijters detecteert. Lees uitleg → Decision trees beslissingsbomen Een decision tree is een boomstructuur waarbij elke interne knoop een test op een feature is, elke tak een uitkomst en elk blad een klasse of waarde. Lees uitleg → Deep q networks dqn DQN combineert Q-learning met diepe neurale netwerken om te leren van hoogdimensionale invoer zoals pixels. Lees uitleg → Wat is dimensionality reduction dimensiereductie? Dimensiereductie verkleint het aantal variabelen in data met behoud van de belangrijkste informatie, om complexiteit te verminderen en visualisatie mogelijk te maken. Lees uitleg →

E

Wat is een embedding? Een embedding is een geleerde vectorrepresentatie waarin semantische relaties tussen objecten als afstanden en richtingen in een vectorruimte worden vastgelegd. Lees uitleg → Ensemble learning methoden Ensemble learning combineert meerdere modellen om een beter presterend geheel te vormen dan de individuele modellen afzonderlijk. Lees uitleg → Wat is een epoch in modeltraining? Een epoch is één volledige doorgang van de trainingsdata door het model tijdens het leerproces. Lees uitleg →

F

Wat is een feature kenmerk in data? Een feature is een meetbare eigenschap of variabele in data die het model gebruikt om patronen te leren en voorspellingen te doen. Lees uitleg → Wat is federated learning? Federated learning traint modellen op gedecentraliseerde data zonder de data zelf te verzamelen, wat privacy en efficiëntie bevordert. Lees uitleg → Fine tuning vs pre training Pre-training leert een model algemene representaties op grote data, fine-tuning past deze aan voor een specifieke taak met kleinere data. Lees uitleg →

G

Gestructureerde vs ongestructureerde data Gestructureerde data volgen een vast schema zoals tabellen, terwijl ongestructureerde data geen vooraf gedefinieerd formaat hebben, zoals tekst, beeld of audio. Lees uitleg → Wat zijn gewichten weights en biases? Gewichten bepalen de sterkte van verbindingen tussen neuronen; biases verschuiven de activatiefunctie en helpen het model beter te passen. Lees uitleg → Gradient boosting machines xgboost lightgbm Gradient Boosting Machines bouwen sequentieel beslissingsbomen die elkaars fouten corrigeren, met XGBoost en LightGBM als populaire, efficiënte implementaties. Lees uitleg → Wat is gradient descent? Gradient descent is een optimalisatie-algoritme dat de parameters van een model stap voor stap aanpast in de richting van de steilste daling van de verliesfunctie. Lees uitleg → Ground truth en labels in ai Ground truth is de objectief vastgestelde werkelijkheid waartegen voorspellingen worden vergeleken; een label is de toegekende categorie of waarde voor een datapunt. Lees uitleg →

H

Het verschil tussen ai machine learning en deep learning AI is het brede vakgebied, machine learning is een subset die leert uit data, en deep learning is een subset van machine learning met diepe neurale netwerken. Lees uitleg → Hierarchische clustering Hiërarchische clustering bouwt een hiërarchie van clusters, vaak weergegeven als een dendrogram, zonder vooraf het aantal clusters te hoeven specificeren. Lees uitleg → Hoe leren kunstmatige neuronen perceptrons? Een perceptron leert door gewichten aan te passen op basis van de fout tussen voorspelling en werkelijk label, met behulp van een leerregel. Lees uitleg →

I

Wat is een inference inferentie fase? De inference-fase is het gebruik van een getraind model om voorspellingen te doen op nieuwe data, zonder dat het model nog leert. Lees uitleg →

K

K means clustering K-Means is een clusteralgoritme dat datapunten verdeelt in k groepen door de som van kwadratische afstanden tot de clustermiddelpunten te minimaliseren. Lees uitleg → K nearest neighbors knn KNN classificeert een datapunt op basis van de meerderheid van zijn k dichtstbijzijnde buren in de feature-ruimte. Lees uitleg → Wat is kunstmatige intelligentie ai? Kunstmatige Intelligentie is het vakgebied dat machines en software systemen ontwikkelt die taken kunnen uitvoeren waarvoor normaal menselijke intelligentie nodig is. Lees uitleg →

L

Wat is de latency van een ai model? Latency is de tijd die een AI-model nodig heeft om van input tot output te komen, uitgedrukt in milliseconden of seconden. Lees uitleg → Wat is een latent space? Een latent space is een abstracte, lagere-dimensionale representatieruimte waarin een model essentiële kenmerken van data comprimeert. Lees uitleg → Loss function verliesfunctie uitgelegd Een verliesfunctie meet hoe ver de voorspellingen van een model van de werkelijke waarden afwijken en stuurt daarmee het leerproces. Lees uitleg →

M

Wat is een model in ai? Een model in AI is een wiskundige representatie die, na training op data, patronen kan herkennen en voorspellingen kan doen op nieuwe invoer. Lees uitleg → Wat is model kwantisatie quantization? Model-kwantisatie verlaagt de numerieke precisie van modelparameters, waardoor het model kleiner, sneller en energiezuiniger wordt. Lees uitleg →

N

Naive bayes classificaties Naive Bayes is een probabilistisch classificatie-algoritme gebaseerd op de stelling van Bayes, met de 'naïeve' aanname dat features onafhankelijk zijn. Lees uitleg → Wat is een neuraal netwerk? Een neuraal netwerk is een computationeel model geïnspireerd op het brein, bestaande uit lagen van met elkaar verbonden kunstmatige neuronen. Lees uitleg →

O

One shot few shot learning One-shot en few-shot learning stellen een model in staat om een nieuwe klasse te herkennen op basis van slechts één of enkele voorbeelden. Lees uitleg → Online learning vs batch learning Online learning werkt datapunt voor datapunt en past het model continu aan, terwijl batch learning het model traint op de volledige dataset in één keer. Lees uitleg → Wat is over fitting en hoe voorkom je het? Overfitting ontstaat wanneer een model te veel leert van trainingsdata, inclusief ruis, en daardoor slecht generaliseert naar nieuwe data. Lees uitleg →

P

Wat zijn parameters en hyperparameters? Parameters worden door het model tijdens training geleerd; hyperparameters worden vooraf door de ontwikkelaar ingesteld en beïnvloeden het leerproces. Lees uitleg → Policy gradients Policy gradients leren direct een beleid dat de verwachte beloning maximaliseert, zonder een waardefunctie te leren. Lees uitleg → Wat is principal component analysis pca? PCA is een lineaire techniek die data transformeert naar een set ongecorreleerde componenten die de variantie maximaliseren. Lees uitleg →

Q

Q learning uitgelegd Q-learning is een modelvrije reinforcement learning-algoritme dat de waarde van acties in toestanden leert zonder een model van de omgeving. Lees uitleg →

R

Random forests Random Forest is een ensemble-methode die vele beslissingsbomen combineert om nauwkeurigere en robuustere voorspellingen te doen. Lees uitleg → Regressiemodellen lineair logistisch Lineaire regressie voorspelt een continue waarde, terwijl logistische regressie een kans schat voor een binaire classificatie. Lees uitleg → Wat is reinforcement learning versterkingsleren? Reinforcement learning is een leervorm waarbij een agent door trial-and-error leert welke acties beloningen maximaliseren in een omgeving. Lees uitleg → Rlaif reinforcement learning from ai feedback RLAIF gebruikt een AI-model in plaats van mensen om feedback te geven bij het trainen van reinforcement learning-modellen. Lees uitleg → Rlhf reinforcement learning from human feedback RLHF gebruikt menselijke voorkeuren als beloningssignaal om AI-modellen af te stemmen op gewenst gedrag. Lees uitleg →

S

Wat is self supervised learning? Self-supervised learning genereert zelf labels uit de data, vaak door een deel van de invoer te voorspellen op basis van de rest. Lees uitleg → Wat is semi supervised learning? Semi-supervised learning combineert een kleine hoeveelheid gelabelde data met een grote hoeveelheid ongelabelde data om betere modellen te trainen. Lees uitleg → Wat is supervised learning geleerd leren? Supervised learning is een vorm van machine learning waarbij een model leert van gelabelde trainingsdata om voorspellingen te doen op nieuwe, ongeziene data. Lees uitleg → Support vector machines svm Support Vector Machines vinden een optimaal hypervlak dat de klassen scheidt met een zo groot mogelijke marge. Lees uitleg → Synthetic data generation Synthetic data generation creëert kunstmatige data die de statistische eigenschappen van echte data nabootst, vaak met behulp van generatieve modellen. Lees uitleg →

T

Time series forecasting tijdreeksvoorspelling Time series forecasting voorspelt toekomstige waarden van een reeks op basis van historische data, zoals omzet, temperatuur of beurskoersen. Lees uitleg → Training data vs test data Trainingsdata worden gebruikt om een model te leren, testdata om te meten hoe goed het model presteert op ongeziene voorbeelden. Lees uitleg → Wat is transfer learning? Transfer learning hergebruikt kennis die is geleerd op de ene taak om een andere, gerelateerde taak sneller en beter te leren. Lees uitleg →

U

Wat is under fitting? Underfitting betekent dat een model te eenvoudig is om de onderliggende patronen in de data te leren, wat leidt tot slechte prestaties op zowel training als test. Lees uitleg → Wat is unsupervised learning ongeleerd leren? Unsupervised learning is een vorm van machine learning waarbij het model patronen leert uit niet-gelabelde data, zonder expliciete doelvariabele. Lees uitleg →

V

Wat is een vector representatie? Een vector-representatie is een numerieke weergave van data als een lijst getallen, zodat een computer ermee kan rekenen. Lees uitleg →

Z

Zero shot learning Zero-shot learning is het vermogen van een model om een taak uit te voeren zonder enige voorbeelden van die taak te hebben gezien tijdens de training. Lees uitleg →