Dit document is een samenvatting van de modules 'Essentiële AI algoritmen voor niet-ingenieurs' en 'AI: methodologisch en ethisch kader' van het vak 'Artificiële intelligentie voor iedereen'. Dit document bevat alle informatie uit de presentaties en de bijbehorende kennisclips. Alleen de lezing o...
Module 1: Essentiële AI algoritmen voor niet-ingenieurs
H1: Hoe werkt machinaal leren?
HOE WERKT MACHINAAL LEREN?
Hoe werkt het?
● Machine learning gaat over het leren van functies f(input) => output.
○ Verschillende types van functies (onderscheiden de verschillende scholen)
○ Verschillende types van data (supervised, unsupervised, reinforcement ...)
○ Verschillende criteria ( worden gekarakteriseerd door de verliesfunctie)
● Je wil de beste functie vinden m.b.t. die verliesfunctie en de data.
● Machine learning is eigenlijk automatisch programmeren
● Er zijn verschillende scholen in machinaal leren
De Ervaring / Data
● Leren uit voorbeelden (gesuperviseerd leren)
○ Goede/slechte zetten uit tekstboeken of van een leraar?
● Leren uit imitatie (Eng. behavioral cloning)
○ Imiteer de wereldkampioen
○ Ziet het gedrag van mensen en daaruit onderscheiden wat goed en slecht is
● Leren uit beloningen (bekrachtiging - reinforcement learning)
○ Speel het spel, beloning = gewonnen stukken/partijen
○ Leren uit trial en error
○ Het AI probleem in het klein
■ Leren uit bekrachtiging is moeilijk omdat je beweegt een bepaalde omgeving
en al doende moet je leren wat goed en slecht is
Leren uit beloning voorbeeld: Donald Michie’s Menace
● Menace
○ Een van de eerste lerende systemen
■ 287 doosjes en en elk doosje kwam overeen met een bepaalde bordsituatie
van het spel 'noughts and crosses’ en die machine moest leren goede
strategieën te bedanken voor dat spel
○ Machine = 287 “boxes” + parels
● Probabilistic functie
○ P(box, kleur) = waarschijnlijkheid van zet
■ Het aantal parels en de kleuren van de parels bepalen de waarschijnlijkheid
● Leer een functie
, ○ als je verliest: bewaar alle gebruikte parels
○ als je wint: plaats de gebruikte parels terug op hun plaats en voeg er een extra parel
van dezelfde kleur aan toe.
■ Richard Belmann: Q(s, a) = R(s, a) + P (s⇥|s, a) max Q(s⇥, a⇥)
De vijf scholen in ML
● De vijf scholen hebben te maken met de aard van de functie die je gaat leren en de aard van
de algoritmes die ze op de uitvoer gaan mappen
Dataset
Voorspel K = f(D,R,B), i.e., K als functie van D, R en B
● Een functie die uitgaat van D, R en B en gaat voorspellen of K al dan niet gekocht wordt door
klanten
1. Logica
● Een verzameling regels
○ ALS R = 1 EN B = 1 DAN K = 1
○ ALS R = 0 EN D = 1 DAN K = 1
○ ANDERS K = 0
● Een consistente verzameling regels bestaat niet altijd
○ D = 1 EN R = 1 EN B = 0 EN K=0
○ D = 1 EN R = 1 EN B = 0 EN K=1
○ Punten stellen e-mails voor → zien of een nieuwe mail gewenst is door te kijken
bij welk puntje die het dichtst staat
Afstand
● Hoeveel gemeenschappelijke boeken hebben twee klanten gekocht en naarmate dat aantal
groter is, zal de afstand kleiner zijn en kan je dus voorspellingen doen
● De eenvoudige techniek voorspelt de klasse van de dichtste buur
● In de praktijk wordt vaak gekeken naar de 3 of 5 dichtste punten: hoeveel daarvan zijn
positief, hoeveel negatief → meerderheidsklasse vastgelegd
Probabilistisch / Bayesiaans
●
Naïeve Bayes
, Connectionists
● Connectionists = neurale netwerken
○ Invoerknopen in de neurale netwerken, in dit geval D, R en B (linkerzijde, input)
○ Uitvoer = K
○ Daartussen verborgen knopen
■ Daarop activatiefuncties → leeralgoritmes daarop loslaten
● Representation learning
○ Invoerzijde: beeld van een wagen → dat beeld wordt op een neuraal netwerk
voorgesteld doordat elke pixel een bepaalde waarde heeft (in dit geval rood, groen
of blauw) → tussenliggende lagen die telkens iets gaan berekenen uitgaande van
de vorige laag → einde: mogelijke classificaties (welk merk/type van wagen)
○ Representation learning = in de tussenliggende al een aantal belangrijke aspecten gaat
leren
● De tweede laag gaat al grenzen bekijken
● De derde laag gaat onderdelen voorstellen (wielen, …)
● De volgende laag gaat andere zaken op een hoger niveau bekijken
Les avantages d'acheter des résumés chez Stuvia:
Qualité garantie par les avis des clients
Les clients de Stuvia ont évalués plus de 700 000 résumés. C'est comme ça que vous savez que vous achetez les meilleurs documents.
L’achat facile et rapide
Vous pouvez payer rapidement avec iDeal, carte de crédit ou Stuvia-crédit pour les résumés. Il n'y a pas d'adhésion nécessaire.
Focus sur l’essentiel
Vos camarades écrivent eux-mêmes les notes d’étude, c’est pourquoi les documents sont toujours fiables et à jour. Cela garantit que vous arrivez rapidement au coeur du matériel.
Foire aux questions
Qu'est-ce que j'obtiens en achetant ce document ?
Vous obtenez un PDF, disponible immédiatement après votre achat. Le document acheté est accessible à tout moment, n'importe où et indéfiniment via votre profil.
Garantie de remboursement : comment ça marche ?
Notre garantie de satisfaction garantit que vous trouverez toujours un document d'étude qui vous convient. Vous remplissez un formulaire et notre équipe du service client s'occupe du reste.
Auprès de qui est-ce que j'achète ce résumé ?
Stuvia est une place de marché. Alors, vous n'achetez donc pas ce document chez nous, mais auprès du vendeur ambervanemelen. Stuvia facilite les paiements au vendeur.
Est-ce que j'aurai un abonnement?
Non, vous n'achetez ce résumé que pour €11,39. Vous n'êtes lié à rien après votre achat.
