Drie frequent gebruikte types leerstrategieën van machine learning

'Supervised learning', 'unsupervised learning' en 'reinforcement learning' situeren zich in het domein van machine learning en beschrijven types leerstrategieën van een algoritme. Hoewel deze methoden hetzelfde doel hebben - komen tot inzichten, patronen en relaties die kunnen worden gebruikt om beslissingen te nemen - maken ze gebruik van verschillende benaderingen en zijn ze voor verschillende toepassingen bruikbaar.

Bij machine learning wordt een machine (computer) getraind om verbanden te zien. Dit kan op verschillende manieren. Een voorbeeld: stel, u moet een tafel en stoel assembleren die u online heeft gekocht. Hoe pakt u dit aan? Uiteraard zult u de meegeleverde handleiding uitpluizen. U zult de instructies volgen en de volledige set bouwen. Is er geen handleiding voorhanden, dan moet u uitzoeken hoe de tafel en stoel in elkaar te zetten. Dit scenario is vergelijkbaar met machine learning: met een beschikbare dataset en concrete probleemstelling zal een programmeur in staat zijn te kiezen hoe een algoritme te trainen door gebruik te maken van een specifieke leerstrategie. Er zijn verschillende types van dergelijke leerstrategieën voor machine learning, waarvan volgende drie de belangrijkste zijn: 'supervised learning', unsupervised learning' en 'reinforcement learning'.

Lees verder op Techniline.

Machine learning in industriële toepassingen

Sirris heeft de nodige kennis en ervaring opgebouwd van machine-learning-strategieën, en hoe deze algoritmes kunnen gebruikt worden in reële industriële toepassingen.

Verschillende topics komen onder meer aan bod tijdens onze mastercourse 'Data Innovation beyond the Hype', uitgebreid geïllustreerd met tal van intuïtieve praktijkvoorbeelden uit verschillende domeinen zoals de maakindustrie, energie, mobiliteit, ... Op regelmatige basis worden in dit kader sessies georganiseerd. Meer weten over de Mastercourse of onze dienstverlening? Neem contact met ons op!