Introduction to Machine Learning
HC1 - 28/04/2021 (CH 1 tot 1.2.3)
Wat is machine learning?
- Sommige problemen zijn moeilijk/niet op te lossen door ‘regels’ voor de computer te
programmeren
- Mensen leren door naar voorbeelden te kijken. Kunnen computers dat ook?
- Vb de videotheek vs Net ix met aanraden van goede lms, of Spotify met aanraden van goede
muziek, zelf-rijdende auto's, gezichtsherkenning, bonuskaart van de AH, Google Translate
Eigenschappen van een leerprobleem
- ML is toepasbaar als
- Er een patroon is
- Door het proberen te analyseren, het niet lukt om dit patroon te beschrijven
- Er gegevens zijn waar we uit kunnen leren -> we moeten data hebben
Onderdelen van een leerprobleem
- Op basis van welke gegevens zou je besluiten een lening wel/niet te verstrekken? -> schulden,
inkomen, opleiding, strafblad, hypotheek, leeftijd
Page 1 of 19
fl fi
,- Je geeft de computer gewichten een een hypothese. PLA gaat de datapunten af: de huidige
gewichtsfactoren worden ge-update zodat de datapunten wel goed komen te liggen.
- Het algoritme werkt alleen op lineair separable (scheidbaar) data, anders zou het nooit stoppen.
- Maar het doorzoekt wel een oneindig grote verzameling hypothesen
- Dit is een simpel maar krachtig algoritme; in de praktijk heb je er niet veel aan.
Nearest Neighbours
- Een andere combinatie van hypothese-ruimte en algoritme is nearest neighbours
- De hypothese-ruimte bestaat uit (bijna) alle functies van inputs naar outputs
- Het algoritme is heel eenvoudig
Typen leerproblemen
- Supervised learning
- Unsupervised learning
- Active learning
- Online learning
- Reinforcement learning
- Transfer learning
Page 2 of 19
, Voorbereiding-lectures HC2
-Input en output hebben een relatie, namelijk
f. Om die te vinden hebben we data nodig.
Index geeft aan welk geval het betreft, voor
leren vaak een grote n nodig.
-We moeten een hypothese-verzameling
hebben, zodat de computer alles kan gaan
proberen.
-Dan een algoritme zoeken die past op de
dataset. Dan komt er een hypothese g uit,
die hopelijk op f (de hypothese gebaseerd
op de trainingsdata lijkt)
Vergelijking: lineaire classi catie vs nearest
neighbours (2 hypotheses klassen)
- Linear: kijken naar perceptron, datapunten in de
input-ruimte scheiden
- Nearest neighbours: algoritme en hypothese-
klasse in 1, nieuwe datapunten worden
geclassi ceerd afgaande op de datapunten
eromheen
- Beste aanpak verschilt per leerprobleem
Typen leerprobleem:
- Supervised learning: gelabelde data, leeralgoritme scheidt ze
- Unsupervised learning: we vertellen niet het label van de dataset,
algoritme clustert zelf
Bij lineaire modellen vindt het algoritme een lijn. Je kan zelf kijken of
je het daar een beetje mee eens bent:
Lineaire classi er: som tussen gewicht en input
Page 3 of 19
fi fi fi
HC1 - 28/04/2021 (CH 1 tot 1.2.3)
Wat is machine learning?
- Sommige problemen zijn moeilijk/niet op te lossen door ‘regels’ voor de computer te
programmeren
- Mensen leren door naar voorbeelden te kijken. Kunnen computers dat ook?
- Vb de videotheek vs Net ix met aanraden van goede lms, of Spotify met aanraden van goede
muziek, zelf-rijdende auto's, gezichtsherkenning, bonuskaart van de AH, Google Translate
Eigenschappen van een leerprobleem
- ML is toepasbaar als
- Er een patroon is
- Door het proberen te analyseren, het niet lukt om dit patroon te beschrijven
- Er gegevens zijn waar we uit kunnen leren -> we moeten data hebben
Onderdelen van een leerprobleem
- Op basis van welke gegevens zou je besluiten een lening wel/niet te verstrekken? -> schulden,
inkomen, opleiding, strafblad, hypotheek, leeftijd
Page 1 of 19
fl fi
,- Je geeft de computer gewichten een een hypothese. PLA gaat de datapunten af: de huidige
gewichtsfactoren worden ge-update zodat de datapunten wel goed komen te liggen.
- Het algoritme werkt alleen op lineair separable (scheidbaar) data, anders zou het nooit stoppen.
- Maar het doorzoekt wel een oneindig grote verzameling hypothesen
- Dit is een simpel maar krachtig algoritme; in de praktijk heb je er niet veel aan.
Nearest Neighbours
- Een andere combinatie van hypothese-ruimte en algoritme is nearest neighbours
- De hypothese-ruimte bestaat uit (bijna) alle functies van inputs naar outputs
- Het algoritme is heel eenvoudig
Typen leerproblemen
- Supervised learning
- Unsupervised learning
- Active learning
- Online learning
- Reinforcement learning
- Transfer learning
Page 2 of 19
, Voorbereiding-lectures HC2
-Input en output hebben een relatie, namelijk
f. Om die te vinden hebben we data nodig.
Index geeft aan welk geval het betreft, voor
leren vaak een grote n nodig.
-We moeten een hypothese-verzameling
hebben, zodat de computer alles kan gaan
proberen.
-Dan een algoritme zoeken die past op de
dataset. Dan komt er een hypothese g uit,
die hopelijk op f (de hypothese gebaseerd
op de trainingsdata lijkt)
Vergelijking: lineaire classi catie vs nearest
neighbours (2 hypotheses klassen)
- Linear: kijken naar perceptron, datapunten in de
input-ruimte scheiden
- Nearest neighbours: algoritme en hypothese-
klasse in 1, nieuwe datapunten worden
geclassi ceerd afgaande op de datapunten
eromheen
- Beste aanpak verschilt per leerprobleem
Typen leerprobleem:
- Supervised learning: gelabelde data, leeralgoritme scheidt ze
- Unsupervised learning: we vertellen niet het label van de dataset,
algoritme clustert zelf
Bij lineaire modellen vindt het algoritme een lijn. Je kan zelf kijken of
je het daar een beetje mee eens bent:
Lineaire classi er: som tussen gewicht en input
Page 3 of 19
fi fi fi
