Hoorcollege 1:
● 70s: analogische informatie
● 2002: digital era (producten en informatie)
● <2008: social meda (producten, informatie en mensen)
● >2008: apps
● Recent: smart devices
Digital society = Niet alleen informatie, maar ook mensen, markten en producten, organisaties
en devices zijn connected 24/7
Algoritmen= zijn gecodeerde procedures voor het transformeren van invoergegevens in een
gewenste uitvoer, gebaseerd op gespecificeerde berekeningen (Gillespie, 2014)
Algorithm power (gewenste output): wat kan je doen met een algoritme?
● Prioritering (een geordende lijst maken)
○ Bepaalde dingen benadrukken of onder de aandacht brengen ten koste van
andere (bijv. Google Page rank)
● Classificatie (een categorie kiezen)
○ Een bepaalde entiteit indelen in een bepaalde klasse door te kijken naar een
willekeurig aantal kenmerken van die entiteit (bijv, ongepaste Youtube-inhoud)
■ Horror movie of romcom
● Associatie (links vinden)
○ Associatiebeslissingen markeren relaties tussen entiteiten (bijv. datingmatch; ‘als
je dit leuk vindt, vind je dit misschien ook leuk’)
■ People how likes this and who likes that
● Filteren (isoleren wat belangrijk is)
○ Informatie opnemen of uitsluiten volgens verschillende regels of criteria. Inputs
voor filteralgoritmen houden vaak rekening met prioriterings-, classificatie- of
associatiebeslissingen (Insta feed)
Algoritmische kracht: 2 soorten
1. Rule based algoritmen → Gebaseerd op een reeks regels of stappen
● Typisch “IF - THEN” verklaringen => {IF ‘voorwaarde’ THEN ‘resultaat’}
● Bijv. sentiment in beoordeling: Positieve en negatieve woorden definiëren -> IF Positive
count meer dan Negative count THEN return ‘positief sentiment’.
, ● (+) Snel, gemakkelijk te volgen/begrijpen, maar (-) alleen toepasbaar op de
gespecificeerde voorwaarden.
2. Algoritmen machine learning (supervised & unsupervised) → Algoritmen die zelf
“leren”
● gebaseerd op statistische modellen in plaats van deterministische regels/set van
specifieke instructies
● Deze algoritmen worden “getraind” op basis van een corpus gegevens waaruit ze
kunnen “leren” om bepaalde beslissingen te nemen zonder menselijk toezicht.
● Bijv. sentiment: een ML-algoritme kan worden getraind op een dataset van gelabelde
voorbeelden (teksten met hun bijbehorende sentimentlabels) om het sentiment van
nieuwe ongeziene teksten (bijv. recensies) te voorspellen.
● (+) Flexibel en gemakkelijk aan te passen, (-) maar moet getraind worden, & black-box
Hoe werkt een ML-based gesprek
1. Natuurlijke Taalverwerking (NLP): De chatbot analyseert het bericht van de gebruiker om de
intentie en de belangrijke informatie (entiteiten) eruit te halen.
● Voorbeeld:
Gebruiker zegt: "Ik wil een grote BBQ chicken pizza met extra kaas."
De chatbot herkent:
● Intentie: Een pizza bestellen
● Entiteiten: Groot, BBQ chicken, extra kaas
2. Machine Learning-modellen: De chatbot gebruikt ML-modellen die getraind zijn op eerdere
gesprekken en gebruikersdata.
● Het model voorspelt de beste reactie op basis van wat het geleerd heeft.
● Na verloop van tijd leert de bot beter omgaan met verschillende formuleringen, slang en
individuele voorkeuren van gebruikers.
3. Contextbewustzijn: In tegenstelling tot regelgebaseerde bots, kan een ML-chatbot context
onthouden binnen een gesprek.
● Voorbeeld:
● Gebruiker: "Ik wil een grote pizza."
● Bot: "Welke toppings wil je erbij?"
● Gebruiker: "Alleen kaas."
● De bot onthoudt dat "groot" al is genoemd, en vraagt dat dus niet opnieuw.
4. Personalisatie en Leervermogen: ML-chatbots kunnen eerdere bestellingen onthouden en
aanbevelingen doen op basis van voorkeuren.
, ● Voorbeeld: Als je vaak een grote pepperoni-pizza bestelt, kan de bot vragen:
"Wil je je gebruikelijke grote pepperoni-pizza opnieuw bestellen?"
5. Omgaan met variatie in taalgebruik: Een ML-chatbot begrijpt verschillende manieren waarop
mensen iets kunnen zeggen, in tegenstelling tot een regelgebaseerde bot die alleen vaste
zinnen herkent. → Een ML-bot herkent alle variaties hieronder als dezelfde bedoeling.
● Voorbeelden van dezelfde intentie (een pizza bestellen):
● "Kan ik een pizza krijgen?"
● "Ik wil een pizza bestellen."
● "Mag ik een pizzaatje?"
Machine Learning-algoritmes
● In data-intensieve online omgevingen zijn machine learning (ML) algoritmes inmiddels
de standaard geworden.
● ML wordt gebruikt voor uiteenlopende taken zoals tekstanalyse, sentimentanalyse,
doelgroepsegmentatie, aanbevelingssystemen en nog veel meer.
● De werkwijze: het algoritme wordt getraind op een steekproef van (gelabelde) data,
waarna het beslissingen kan nemen over nieuwe, ‘onbekende’ gegevens.
● Platforms zoals Facebook, Amazon, Netflix en Bol.com maken volop gebruik van
ML-algoritmes.
○ Deze platforms beschikken over enorme hoeveelheden data, waardoor het
systeem veel kan leren.
○ Met slechts een paar honderd regels code kan al een model worden
gegenereerd dat uit miljoenen regels bestaat
Soorten Machine Learning-algoritmes
1. Supervised Learning (Begeleid Leren)
Bij supervised learning leert het algoritme van gelabelde data, waarbij de invoerdata gekoppeld
is aan het juiste resultaat.
Voorbeelden:
● E-mails classificeren als spam of geen spam op basis van kenmerken zoals trefwoorden
of afzenderinformatie.
2. Unsupervised Learning (Onbegeleid Leren)
Unsupervised learning werkt met ongelabelde data. Het algoritme probeert zelf patronen of
structuren te ontdekken zonder aanwijzingen over wat relevant is.
Voorbeelden:
● Het clusteren van reisfoto’s op basis van bestemming, landschap of reiservaring.
3. Semi-Supervised Learning (Gedeeltelijk Begeleid Leren)
Een combinatie van supervised en unsupervised learning. Een klein deel van de data is
gelabeld, de rest niet.
, Voorbeeld:
● Een model trainen om klantbeoordelingen als positief of negatief te classificeren met een
kleine gelabelde dataset en een grote hoeveelheid ongelabelde tekst.
4. Reinforcement Learning (Versterkend Leren)
Hierbij leert een agent beslissingen nemen door interactie met een omgeving, en wordt beloond
of bestraft op basis van het gedrag.
Voorbeelden:
● Een chatbot leren om beter te reageren door positieve reacties van gebruikers (zoals
"dank je wel") te belonen met punten.
● Een virtuele influencer trainen om gepersonaliseerde aanbevelingen te doen op basis
van betrokkenheidsstatistieken zoals likes.
Aanbevelingssystemen voor mediaconsumptie (recommender systems)
● Aanbevelingssystemen zijn algoritmes die suggesties doen voor content die
waarschijnlijk interessant is voor een specifieke gebruiker (Ricci et al., 2015).
○ Deze algoritmes bepalen welke content aan wie wordt getoond, op basis van
bepaalde criteria zoals gebruikersgedrag, voorkeuren of profielkenmerken.
○ Hierdoor krijgt elke gebruiker een gepersonaliseerde stroom aan online content.
○ Reden: voorkom keuze overload, maximaliseer de relevantie voor de gebruiker
en verhoog de efficiëntie van het werk.
Aanbevelingssystemen: Technieken
1. Content-based filtering (Op inhoud gebaseerde filtering)
● Het algoritme raadt items aan die vergelijkbaar zijn met items die de gebruiker eerder
leuk vond.
● De aanbeveling is gebaseerd op de eigenschappen van de content zelf.
Voorbeeld:
Als je vaak romantische films kijkt, zal het systeem andere romantische films voorstellen.
2. Collaborative filtering (Collaboratieve filtering)
● Het algoritme doet aanbevelingen op basis van wat andere gebruikers met vergelijkbare
voorkeuren leuk vonden.
● De aanbeveling komt dus voort uit gebruikersgedrag in plaats van de inhoud van de
items.
Voorbeeld:
Als gebruikers die dezelfde films leuk vinden als jij ook een bepaalde serie goed vonden, dan
wordt die serie ook aan jou aangeraden.
3. Hybrid filtering (Hybride filtering)
● Een combinatie van content-based en collaborative filtering.
● 70s: analogische informatie
● 2002: digital era (producten en informatie)
● <2008: social meda (producten, informatie en mensen)
● >2008: apps
● Recent: smart devices
Digital society = Niet alleen informatie, maar ook mensen, markten en producten, organisaties
en devices zijn connected 24/7
Algoritmen= zijn gecodeerde procedures voor het transformeren van invoergegevens in een
gewenste uitvoer, gebaseerd op gespecificeerde berekeningen (Gillespie, 2014)
Algorithm power (gewenste output): wat kan je doen met een algoritme?
● Prioritering (een geordende lijst maken)
○ Bepaalde dingen benadrukken of onder de aandacht brengen ten koste van
andere (bijv. Google Page rank)
● Classificatie (een categorie kiezen)
○ Een bepaalde entiteit indelen in een bepaalde klasse door te kijken naar een
willekeurig aantal kenmerken van die entiteit (bijv, ongepaste Youtube-inhoud)
■ Horror movie of romcom
● Associatie (links vinden)
○ Associatiebeslissingen markeren relaties tussen entiteiten (bijv. datingmatch; ‘als
je dit leuk vindt, vind je dit misschien ook leuk’)
■ People how likes this and who likes that
● Filteren (isoleren wat belangrijk is)
○ Informatie opnemen of uitsluiten volgens verschillende regels of criteria. Inputs
voor filteralgoritmen houden vaak rekening met prioriterings-, classificatie- of
associatiebeslissingen (Insta feed)
Algoritmische kracht: 2 soorten
1. Rule based algoritmen → Gebaseerd op een reeks regels of stappen
● Typisch “IF - THEN” verklaringen => {IF ‘voorwaarde’ THEN ‘resultaat’}
● Bijv. sentiment in beoordeling: Positieve en negatieve woorden definiëren -> IF Positive
count meer dan Negative count THEN return ‘positief sentiment’.
, ● (+) Snel, gemakkelijk te volgen/begrijpen, maar (-) alleen toepasbaar op de
gespecificeerde voorwaarden.
2. Algoritmen machine learning (supervised & unsupervised) → Algoritmen die zelf
“leren”
● gebaseerd op statistische modellen in plaats van deterministische regels/set van
specifieke instructies
● Deze algoritmen worden “getraind” op basis van een corpus gegevens waaruit ze
kunnen “leren” om bepaalde beslissingen te nemen zonder menselijk toezicht.
● Bijv. sentiment: een ML-algoritme kan worden getraind op een dataset van gelabelde
voorbeelden (teksten met hun bijbehorende sentimentlabels) om het sentiment van
nieuwe ongeziene teksten (bijv. recensies) te voorspellen.
● (+) Flexibel en gemakkelijk aan te passen, (-) maar moet getraind worden, & black-box
Hoe werkt een ML-based gesprek
1. Natuurlijke Taalverwerking (NLP): De chatbot analyseert het bericht van de gebruiker om de
intentie en de belangrijke informatie (entiteiten) eruit te halen.
● Voorbeeld:
Gebruiker zegt: "Ik wil een grote BBQ chicken pizza met extra kaas."
De chatbot herkent:
● Intentie: Een pizza bestellen
● Entiteiten: Groot, BBQ chicken, extra kaas
2. Machine Learning-modellen: De chatbot gebruikt ML-modellen die getraind zijn op eerdere
gesprekken en gebruikersdata.
● Het model voorspelt de beste reactie op basis van wat het geleerd heeft.
● Na verloop van tijd leert de bot beter omgaan met verschillende formuleringen, slang en
individuele voorkeuren van gebruikers.
3. Contextbewustzijn: In tegenstelling tot regelgebaseerde bots, kan een ML-chatbot context
onthouden binnen een gesprek.
● Voorbeeld:
● Gebruiker: "Ik wil een grote pizza."
● Bot: "Welke toppings wil je erbij?"
● Gebruiker: "Alleen kaas."
● De bot onthoudt dat "groot" al is genoemd, en vraagt dat dus niet opnieuw.
4. Personalisatie en Leervermogen: ML-chatbots kunnen eerdere bestellingen onthouden en
aanbevelingen doen op basis van voorkeuren.
, ● Voorbeeld: Als je vaak een grote pepperoni-pizza bestelt, kan de bot vragen:
"Wil je je gebruikelijke grote pepperoni-pizza opnieuw bestellen?"
5. Omgaan met variatie in taalgebruik: Een ML-chatbot begrijpt verschillende manieren waarop
mensen iets kunnen zeggen, in tegenstelling tot een regelgebaseerde bot die alleen vaste
zinnen herkent. → Een ML-bot herkent alle variaties hieronder als dezelfde bedoeling.
● Voorbeelden van dezelfde intentie (een pizza bestellen):
● "Kan ik een pizza krijgen?"
● "Ik wil een pizza bestellen."
● "Mag ik een pizzaatje?"
Machine Learning-algoritmes
● In data-intensieve online omgevingen zijn machine learning (ML) algoritmes inmiddels
de standaard geworden.
● ML wordt gebruikt voor uiteenlopende taken zoals tekstanalyse, sentimentanalyse,
doelgroepsegmentatie, aanbevelingssystemen en nog veel meer.
● De werkwijze: het algoritme wordt getraind op een steekproef van (gelabelde) data,
waarna het beslissingen kan nemen over nieuwe, ‘onbekende’ gegevens.
● Platforms zoals Facebook, Amazon, Netflix en Bol.com maken volop gebruik van
ML-algoritmes.
○ Deze platforms beschikken over enorme hoeveelheden data, waardoor het
systeem veel kan leren.
○ Met slechts een paar honderd regels code kan al een model worden
gegenereerd dat uit miljoenen regels bestaat
Soorten Machine Learning-algoritmes
1. Supervised Learning (Begeleid Leren)
Bij supervised learning leert het algoritme van gelabelde data, waarbij de invoerdata gekoppeld
is aan het juiste resultaat.
Voorbeelden:
● E-mails classificeren als spam of geen spam op basis van kenmerken zoals trefwoorden
of afzenderinformatie.
2. Unsupervised Learning (Onbegeleid Leren)
Unsupervised learning werkt met ongelabelde data. Het algoritme probeert zelf patronen of
structuren te ontdekken zonder aanwijzingen over wat relevant is.
Voorbeelden:
● Het clusteren van reisfoto’s op basis van bestemming, landschap of reiservaring.
3. Semi-Supervised Learning (Gedeeltelijk Begeleid Leren)
Een combinatie van supervised en unsupervised learning. Een klein deel van de data is
gelabeld, de rest niet.
, Voorbeeld:
● Een model trainen om klantbeoordelingen als positief of negatief te classificeren met een
kleine gelabelde dataset en een grote hoeveelheid ongelabelde tekst.
4. Reinforcement Learning (Versterkend Leren)
Hierbij leert een agent beslissingen nemen door interactie met een omgeving, en wordt beloond
of bestraft op basis van het gedrag.
Voorbeelden:
● Een chatbot leren om beter te reageren door positieve reacties van gebruikers (zoals
"dank je wel") te belonen met punten.
● Een virtuele influencer trainen om gepersonaliseerde aanbevelingen te doen op basis
van betrokkenheidsstatistieken zoals likes.
Aanbevelingssystemen voor mediaconsumptie (recommender systems)
● Aanbevelingssystemen zijn algoritmes die suggesties doen voor content die
waarschijnlijk interessant is voor een specifieke gebruiker (Ricci et al., 2015).
○ Deze algoritmes bepalen welke content aan wie wordt getoond, op basis van
bepaalde criteria zoals gebruikersgedrag, voorkeuren of profielkenmerken.
○ Hierdoor krijgt elke gebruiker een gepersonaliseerde stroom aan online content.
○ Reden: voorkom keuze overload, maximaliseer de relevantie voor de gebruiker
en verhoog de efficiëntie van het werk.
Aanbevelingssystemen: Technieken
1. Content-based filtering (Op inhoud gebaseerde filtering)
● Het algoritme raadt items aan die vergelijkbaar zijn met items die de gebruiker eerder
leuk vond.
● De aanbeveling is gebaseerd op de eigenschappen van de content zelf.
Voorbeeld:
Als je vaak romantische films kijkt, zal het systeem andere romantische films voorstellen.
2. Collaborative filtering (Collaboratieve filtering)
● Het algoritme doet aanbevelingen op basis van wat andere gebruikers met vergelijkbare
voorkeuren leuk vonden.
● De aanbeveling komt dus voort uit gebruikersgedrag in plaats van de inhoud van de
items.
Voorbeeld:
Als gebruikers die dezelfde films leuk vinden als jij ook een bepaalde serie goed vonden, dan
wordt die serie ook aan jou aangeraden.
3. Hybrid filtering (Hybride filtering)
● Een combinatie van content-based en collaborative filtering.
