localizeflow[bot]
c9012568e4
|
3 months ago | |
|---|---|---|
| .. | ||
| README.md | 3 months ago | |
| assignment.md | 7 months ago | |
README.md
Inleiding tot machine learning
Pre-college quiz
🎥 Klik op de afbeelding hierboven voor een korte video waarin deze les wordt behandeld.
Welkom bij deze cursus over klassieke machine learning voor beginners! Of je nu helemaal nieuw bent op dit gebied, of een ervaren ML-beoefenaar die een onderdeel wil opfrissen, we zijn blij dat je met ons meedoet! We willen een vriendelijke startplek creëren voor jouw ML-studie en we horen graag je feedback, waar we op reageren en waar mogelijk verwerken.
🎥 Klik op de afbeelding hierboven voor een video: MIT's John Guttag introduceert machine learning
Aan de slag met machine learning
Voordat je begint met dit curriculum, moet je je computer instellen en klaar maken om notebooks lokaal uit te voeren.
- Configureer je machine met deze video's. Gebruik de volgende links om te leren hoe je Python installeert op je systeem en een teksteditor instelt voor ontwikkeling.
- Leer Python. Het wordt ook aanbevolen om een basiskennis te hebben van Python, een programmeertaal die nuttig is voor datawetenschappers en die wij in deze cursus gebruiken.
- Leer Node.js en JavaScript. We gebruiken JavaScript een aantal keren in deze cursus bij het bouwen van webapps, dus je moet node en npm geïnstalleerd hebben, evenals Visual Studio Code beschikbaar voor zowel Python- als JavaScript-ontwikkeling.
- Maak een GitHub-account aan. Aangezien je ons hier hebt gevonden op GitHub, heb je misschien al een account, maar zo niet, maak er een aan en fork dan dit curriculum om het zelf te gebruiken. (Geef ons gerust een sterretje, ook 😊)
- Verken Scikit-learn. Maak jezelf vertrouwd met Scikit-learn, een set ML-bibliotheken die we in deze lessen gebruiken.
Wat is machine learning?
De term 'machine learning' is een van de populairste en meest gebruikte termen van vandaag. De kans is aanzienlijk dat je deze term al minstens één keer hebt gehoord als je enige affiniteit hebt met technologie, ongeacht in welk domein je werkt. De werking van machine learning is echter voor de meeste mensen een mysterie. Voor een beginner in machine learning kan het onderwerp soms overweldigend voelen. Daarom is het belangrijk om te begrijpen wat machine learning eigenlijk is, en het stap voor stap te leren, aan de hand van praktische voorbeelden.
De hypecurve
Google Trends toont de recente 'hypecurve' van de term 'machine learning'
Een mysterieuze universum
We leven in een universum vol fascinerende mysteries. Grote wetenschappers zoals Stephen Hawking, Albert Einstein en vele anderen hebben hun leven gewijd aan het zoeken naar betekenisvolle informatie die de mysteries van de wereld om ons heen ontrafelt. Dit is de menselijke conditie van leren: een menselijk kind leert nieuwe dingen en ontrafelt de structuur van zijn wereld jaar na jaar naarmate het opgroeit tot volwassenheid.
Het brein van het kind
Het brein en de zintuigen van een kind nemen de feiten van hun omgeving waar en leren geleidelijk de verborgen patronen van het leven, die het kind helpen logische regels te vormen om geleerde patronen te identificeren. Het leerproces van het menselijk brein maakt mensen tot het meest verfijnde levende wezen op deze wereld. Continu leren door verborgen patronen te ontdekken en daarna te innoveren op basis van die patronen stelt ons in staat onszelf beter en beter te maken gedurende ons hele leven. Deze leer-capaciteit en ontwikkelende vaardigheid hangen samen met een concept dat hersenneuroplasticiteit wordt genoemd. Op het oog kunnen we enkele motiverende gelijkenissen trekken tussen het leerproces van het menselijke brein en de concepten van machine learning.
Het menselijke brein
Het menselijke brein neemt zaken waar uit de echte wereld, verwerkt de waargenomen informatie, neemt rationele beslissingen en voert bepaalde acties uit op basis van omstandigheden. Dit noemen we intelligent gedrag. Wanneer we een nabootsing van dit intelligente gedragsproces programmeren voor een machine, noemen we dat kunstmatige intelligentie (AI).
Enkele terminologieën
Hoewel de termen door elkaar gehaald kunnen worden, is machine learning (ML) een belangrijk deelgebied van kunstmatige intelligentie. ML houdt zich bezig met het gebruik van gespecialiseerde algoritmen om betekenisvolle informatie te ontdekken en verborgen patronen te vinden in waargenomen data om zo het rationele besluitvormingsproces te ondersteunen.
AI, ML, Deep Learning
Een diagram dat de relaties toont tussen AI, ML, deep learning en data science. Infographic door Jen Looper, geïnspireerd door deze afbeelding
Concepten die behandeld worden
In dit curriculum behandelen we alleen de kernconcepten van machine learning die een beginner moet kennen. We behandelen wat we 'klassieke machine learning' noemen, voornamelijk met Scikit-learn, een uitstekende bibliotheek die veel studenten gebruiken om de basis te leren. Om bredere concepten van kunstmatige intelligentie of deep learning te begrijpen, is een sterke fundamentele kennis van machine learning onmisbaar, en daarom bieden we die hier aan.
In deze cursus leer je:
- kernconcepten van machine learning
- de geschiedenis van ML
- ML en eerlijkheid
- regressiemethoden in ML
- classificatiemethoden in ML
- clusteringmethoden in ML
- natural language processing (NLP) ML-technieken
- voorspellingen bij tijdreeksen met ML
- reinforcement learning
- praktische toepassingen van ML
Wat we niet behandelen
- deep learning
- neurale netwerken
- AI
Om een betere leerervaring te creëren vermijden we de complexiteiten van neurale netwerken, 'deep learning' – dat wil zeggen meervoudige lagen modelopbouw met neurale netwerken – en AI, welke we in een ander curriculum bespreken. Ook zullen we binnenkort een data science curriculum aanbieden dat zich richt op dat aspect van dit bredere vakgebied.
Waarom machine learning bestuderen?
Machine learning wordt, vanuit een systeem-perspectief, gedefinieerd als het creëren van geautomatiseerde systemen die verborgen patronen kunnen leren uit data om te helpen bij het maken van intelligente beslissingen.
Deze motivatie is losjes geïnspireerd door hoe het menselijk brein bepaalde dingen leert gebaseerd op de data die het van buiten de wereld waarneemt.
✅ Denk eens na waarom een bedrijf machine learning strategieën zou willen gebruiken in plaats van een regelsysteem dat hardcoded is.
Waarom datakwaliteit belangrijk is
Data van hoge kwaliteit verbetert de prestaties van modellen. Slechte of ruisende data kunnen leiden tot onnauwkeurige voorspellingen, zelfs bij gebruik van geavanceerde machine learning algoritmen.
Toepassingen van machine learning
Toepassingen van machine learning zijn nu bijna overal en zo alomtegenwoordig als de data die door onze samenlevingen stroomt, gegenereerd door onze smartphones, verbonden apparaten en andere systemen. Gezien het immense potentieel van geavanceerde machine learning algoritmen, hebben onderzoekers hun mogelijkheden onderzocht om multidimensionale en multidisciplinaire praktische problemen op te lossen met zeer positieve uitkomsten.
Voorbeelden van toegepaste ML
Je kunt machine learning op veel manieren gebruiken:
- Om de kans op een ziekte te voorspellen aan de hand van de medische geschiedenis of rapporten van een patiënt.
- Om weersgegevens te gebruiken om weersomstandigheden te voorspellen.
- Om de sentimenten van een tekst te begrijpen.
- Om nepnieuws te detecteren om de verspreiding van propaganda tegen te gaan.
Financiën, economie, aardwetenschappen, ruimteonderzoek, biomedische techniek, cognitieve wetenschap en zelfs disciplines in de geesteswetenschappen hebben machine learning toegepast om de zware, data-intensieve problemen van hun domein op te lossen.
Conclusie
Machine learning automatiseert het proces van patroonontdekking door betekenisvolle inzichten te vinden uit echte of gegenereerde data. Het heeft bewezen zeer waardevol te zijn in bedrijfsleven, gezondheidszorg en financiële toepassingen, onder andere.
In de nabije toekomst zal het begrijpen van de basisprincipes van machine learning voor mensen uit elk domein een must worden vanwege de brede adoptie.
🚀 Uitdaging
Maak op papier of met een online app zoals Excalidraw een schets van je begrip van de verschillen tussen AI, ML, deep learning en data science. Voeg enkele ideeën toe van problemen die elk van deze technieken goed kan oplossen.
Post-college quiz
Review & Zelfstudie
Wil je meer leren over hoe je met ML-algoritmes in de cloud kunt werken, volg dan deze Learning Path.
Maak een Learning Path over de basisprincipes van ML.
Opdracht
Disclaimer: Dit document is vertaald met behulp van de AI vertaaldienst Co-op Translator. Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.