Machine Learning

We gaan hier twee kleine applicaties bekijken, die niets met elkaar te maken hebben, en toch gelinkt zijn…

• Ga naar Quickdraw door HIER te klikken.
  Dit programma gaat jou woorden voorschotelen en vragen om deze zo snel mogelijk te tekenen. Probeer zoveel mogelijk woorden te laten raden door de computer…

• Ga naar Autodraw door HIER te klikken.
  Hier kan je vrij tekenen. Het programma zal trachten te interpreteren wat je bedoelt en een aantal voorstellen doen van tekeningen die er wellicht beter uitzien dan jouw snelle kribbel…

• De eerste app LEERT hoe mensen doodlen en de tweede app gebruikt deze kennis om voorstellen te doen.

Hoe zit AI in elkaar ?

Algoritme
Elke dag maken miljoenen mensen gebruik van zoekmachines zoals Google, Bing enz… Ze toetsen een zoekwoord in en dan gaat het computermodel van Google op zoek naar het woord in een enorme database. Zo’n computermodel heet een algoritme. Algortimen zorgen ervoor dat kunstmatige intelligentie kan bekomen worden.

Hoe werkt een algoritme?
In de basis is een algoritme eenvoudig. Een algoritme is niet meer dan een reeks instructies die je van een beginsituatie naar een eindsituatie brengen. Voor bijna alles wat we dagelijks doen maken we gebruik van algoritmen, als je een ei bakt of als je de was doet.

Beschrijf eens hoe je de was zou doen aan de hand van een stappenplan.

Algoritmen zijn een essentieel onderdeel van AI. Het is de taal waarmee je systemen opdrachten laat doen.

Het idee van het algoritme is ooit ontstaan doordat men dacht dat intelligentie uit losse elementen bestaat. En deze losse
elementen kunnen opgebroken worden in kleine, simpele stappen. Beschrijf elke stap specifiek en vertaal die in een taal
die een computer snapt, dan heb je een computerprogramma.

De rubiks cube.

Dit is hoe snel een computer de rubiks cube maakt via algoritmes:

Programma’s die ingewikkelder worden gebruiken een beslisboom.

Machine learning

We weten nu dat algoritmen de basis zijn van een programma en van AI.
Door algoritmen meer informatie en voorbeelden te geven wordt het programma slimmer en beter in de taken dat het
moet uitvoeren. Dit heet Machine learning.

Bij Machine learning bouwt men software om te leren uit data. Waar het vroeger meer ging om het maken van regels of
instructies in een programma (programmeren), werkt men nu meer met een model dat informatie verzamelt.
Dat model zoekt patronen in die verzamelde informatie en zet die om in data, met die data doet het model voorspellingen.

Een voorbeeld zou zijn dat een computer bij jou in de auto is aangesloten. Telkens jij stopt voor een rood licht met de auto leert de computer dat hij bij het zien van een rood licht moet stoppen. Hij leert dus als ik rood licht zie moet ik op de rem drukken.

De informatie (of data) kan bvb. via een sensor doorgegeven worden aan de computer. Die data triggert een reactie waardoor een actuator ervoor zorgt dat er geremd wordt.

De meest bekende vormen van Machine learning zijn:
● Supervised learning
● Reinforcement learning
● Unsupervised learning

Supervised learning is “gecontroleerd” aanleren. Mensen tonen eerst voorbeelden aan de computer waarmee de computer kan leren onderscheid maken.

Een voorbeeld hiervan zou kunnen zijn dat je heel veel foto’s van auto’s en fietsen als input aan een programma geeft. De taak van dat programma zou dan zijn om het verschil te kennen tussen auto’s en fietsen wanneer je later een foto ingeeft.

Het programma deelt de auto’s en de fietsen op in groepen. Dit heet classificatie. Het programma krijgt parameters
(kenmerken) voor de groepen zodat het programma aan de hand van die parameters weet wat bij die groepen hoort.
Het programma gaat aan de slag met de verkregen foto’s en formuleert regels om vast te stellen waarom een foto een auto
of een fiets laat zien.

Bij reinforcement learning krijgt het programma pas feedback als de taak is uitgevoerd. Het programma bepaalt eerst of het
een auto of een fiets is en daarna krijgt het feedback of de keuze juist was.

Bij unsupervised learning gaat het programma zelf op zoek naar patronen in de data. Tijdens het leren verdeelt het systeem de auto’s en fietsen zelf in categorieën. Maar deze categorieën zijn niet van vooraf afgebakend met parameters
zoals bij supervised learning. Dit wordt “clustering” genoemd.

Netflix, spotify en youtube werken met (onder andere) clustering.