Machine learning traint algoritmen om patronen in data te vinden en voorspellingen te doen. In plaats van expliciete regels te programmeren, geef je het algoritme voorbeelden. Het leert de relatie tussen input en output. Vervolgens past het die kennis toe op nieuwe data. Een spamfilter leert van miljoenen gelabelde e-mails. Een aanbevelingssysteem leert van gebruikersgedrag. Een fraudemodel leert van historische transacties. Het algoritme verbetert naarmate het meer data te zien krijgt, tot een bepaald punt.

De belangrijkste typen zijn supervised learning, unsupervised learning en reinforcement learning. Supervised learning maakt gebruik van gelabelde data. Het algoritme leert inputs te koppelen aan bekende outputs. Classificatie voorspelt categorieën. Regressie voorspelt getallen. Unsupervised learning vindt structuur in ongelabelde data. Clustering groepeert vergelijkbare records. Dimensionaliteitsreductie vereenvoudigt complexe data. Reinforcement learning traint een agent door middel van vallen en opstaan, waarbij goede acties worden beloond en slechte acties worden bestraft. Het wordt gebruikt in spelsystemen en robotica. Elk type is geschikt voor verschillende problemen. De kwaliteit van de trainingsdata bepaalt de kwaliteit van het model. Vertekende data leidt tot vertekende voorspellingen. Onvolledige data leidt tot onbetrouwbare voorspellingen. Overfitting is een constant risico. Een model dat de trainingsdata onthoudt, presteert slecht op nieuwe data. Regularisatie, kruisvalidatie en meer data helpen. Machine learning is krachtig en kwetsbaar. Het vindt patronen, ook patronen die er niet zouden moeten zijn.

Machine learning-typen

• Begeleid leren — gelabelde data, classificatie en regressie
• Ongecontroleerd leren — ongelabelde data, clustering en dimensionaliteitsreductie
• Versterking — vallen en opstaan ​​met beloningen
• Diep leren — neurale netwerken met veel lagen

Machine learning is patroonherkenning op grote schaal. Het patroon is slechts zo goed als de data waarop het gebaseerd is.