SV – Zelftest
1. Fundamenten van AI & Machine Learning
• Traditioneel programmeren vs. Machine Learning: Bij traditioneel programmeren voer je
regels + data in om antwoorden te krijgen. Bij Machine Learning voer je data + antwoorden
in zodat het algoritme zelf de regels leert.
• Turingtest: Meet uitsluitend of een machine menselijk intelligent gedrag kan nabootsen
(zodat een mens het verschil niet merkt), niet of de machine daadwerkelijk bewustzijn heeft.
• Occam's Scheermes: Als twee modellen even goed presteren, kies je altijd het eenvoudigste
model. Dit helpt om overfitting te voorkomen.
• Jagged Frontier (Gekartelde Front): De capaciteiten van AI-modellen zijn niet uniform. Een
model kan uitblinken in een extreem complexe taak, maar tegelijkertijd falen in een heel
simpele, alledaagse taak.
2. Zoekalgoritmen & Speltheorie
• Het Front (Frontier): Moet altijd volledige paden (of voorgangers) bijhouden in plaats van
enkel losse toestanden, anders kan het uiteindelijke pad naar de oplossing niet
gereconstrueerd worden.
• Onbegrensde zoekruimtes: * Breedte-eerst zoeken (BFS): Vindt gegarandeerd een oplossing
(als die bestaat) omdat het niveau per niveau zoekt.
o Diepte-eerst zoeken (DFS): Kan in een oneindig diepe, verkeerde tak vastlopen en de
oplossing missen.
• Heuristieken & 𝑨∗ Zoeken: Als de heuristiek h(n) = 0 is voor alle knopen, gedraagt de
evaluatiefunctie f(n) = g(n) + h(n) zich exact als Uniforme-kost zoeken (oftewel Dijkstra's
algoritme). Dit is de beste keuze om het goedkoopste pad te vinden in een gewogen graaf als
er geen heuristiek beschikbaar is.
• Minimax & Evaluatiefuncties: Bij complexe spelen (zoals schaken) is de spelboom te diep om
volledig uit te rekenen. De minimax-zoektocht wordt daarom op een bepaalde diepte
afgekapt, waarna een heuristische evaluatiefunctie de tussenliggende speltoestand inschat.
Het aantal te evalueren toestanden stijgt exponentieel met de diepte: b^d (bijvoorbeeld 35"
voor 4 beurten diep kijken met 35 mogelijke zetten per beurt).
3. Logica, Kansberekening & Bayesiaanse Netwerken
• Implicatie (𝑨 → 𝑩): Is alleen onwaar als de premisse A waar is én de conclusie B onwaar is.
Als de premisse A onwaar is, is de implicatie automatisch waar.
• De Wetten van De Morgan: De logische ontkenning van een "en"-verbinding is een "of"-
verbinding van de ontkenningen:
¬(𝐴 ∧ 𝐵) ≡ ¬𝐴 ∨ ¬𝐵
• Bayesiaanse Netwerken: Dit zijn gerichte acyclische grafen (DAGs); er mogen dus geen cycli
(lussen) in voorkomen. Omdat variabelen enkel conditioneren op hun directe ouders, groeit
het aantal parameters in het netwerk quasi-lineair in plaats van exponentieel (zoals bij een
volledige gezamenlijke kansverdeling het geval is).
• Naïeve Bayes: * Kan perfect gebruikt worden voor meer dan twee klassen (geen beperking
tot binaire classificatie).
o Tijdens classificatie mag de noemer 𝑃(kenmerken) worden genegeerd omdat deze
voor alle klassen een identieke constante is en de onderlinge rangorde niet
beïnvloedt.
• Base Rate Fallacy (Medische tests): Een test met 99% nauwkeurigheid betekent niet dat je
bij een positief resultaat 99% kans hebt om ziek te zijn. De werkelijke kans hangt sterk af van
hoe zeldzaam de ziekte is in de populatie (de prior of base rate).
1
1. Fundamenten van AI & Machine Learning
• Traditioneel programmeren vs. Machine Learning: Bij traditioneel programmeren voer je
regels + data in om antwoorden te krijgen. Bij Machine Learning voer je data + antwoorden
in zodat het algoritme zelf de regels leert.
• Turingtest: Meet uitsluitend of een machine menselijk intelligent gedrag kan nabootsen
(zodat een mens het verschil niet merkt), niet of de machine daadwerkelijk bewustzijn heeft.
• Occam's Scheermes: Als twee modellen even goed presteren, kies je altijd het eenvoudigste
model. Dit helpt om overfitting te voorkomen.
• Jagged Frontier (Gekartelde Front): De capaciteiten van AI-modellen zijn niet uniform. Een
model kan uitblinken in een extreem complexe taak, maar tegelijkertijd falen in een heel
simpele, alledaagse taak.
2. Zoekalgoritmen & Speltheorie
• Het Front (Frontier): Moet altijd volledige paden (of voorgangers) bijhouden in plaats van
enkel losse toestanden, anders kan het uiteindelijke pad naar de oplossing niet
gereconstrueerd worden.
• Onbegrensde zoekruimtes: * Breedte-eerst zoeken (BFS): Vindt gegarandeerd een oplossing
(als die bestaat) omdat het niveau per niveau zoekt.
o Diepte-eerst zoeken (DFS): Kan in een oneindig diepe, verkeerde tak vastlopen en de
oplossing missen.
• Heuristieken & 𝑨∗ Zoeken: Als de heuristiek h(n) = 0 is voor alle knopen, gedraagt de
evaluatiefunctie f(n) = g(n) + h(n) zich exact als Uniforme-kost zoeken (oftewel Dijkstra's
algoritme). Dit is de beste keuze om het goedkoopste pad te vinden in een gewogen graaf als
er geen heuristiek beschikbaar is.
• Minimax & Evaluatiefuncties: Bij complexe spelen (zoals schaken) is de spelboom te diep om
volledig uit te rekenen. De minimax-zoektocht wordt daarom op een bepaalde diepte
afgekapt, waarna een heuristische evaluatiefunctie de tussenliggende speltoestand inschat.
Het aantal te evalueren toestanden stijgt exponentieel met de diepte: b^d (bijvoorbeeld 35"
voor 4 beurten diep kijken met 35 mogelijke zetten per beurt).
3. Logica, Kansberekening & Bayesiaanse Netwerken
• Implicatie (𝑨 → 𝑩): Is alleen onwaar als de premisse A waar is én de conclusie B onwaar is.
Als de premisse A onwaar is, is de implicatie automatisch waar.
• De Wetten van De Morgan: De logische ontkenning van een "en"-verbinding is een "of"-
verbinding van de ontkenningen:
¬(𝐴 ∧ 𝐵) ≡ ¬𝐴 ∨ ¬𝐵
• Bayesiaanse Netwerken: Dit zijn gerichte acyclische grafen (DAGs); er mogen dus geen cycli
(lussen) in voorkomen. Omdat variabelen enkel conditioneren op hun directe ouders, groeit
het aantal parameters in het netwerk quasi-lineair in plaats van exponentieel (zoals bij een
volledige gezamenlijke kansverdeling het geval is).
• Naïeve Bayes: * Kan perfect gebruikt worden voor meer dan twee klassen (geen beperking
tot binaire classificatie).
o Tijdens classificatie mag de noemer 𝑃(kenmerken) worden genegeerd omdat deze
voor alle klassen een identieke constante is en de onderlinge rangorde niet
beïnvloedt.
• Base Rate Fallacy (Medische tests): Een test met 99% nauwkeurigheid betekent niet dat je
bij een positief resultaat 99% kans hebt om ziek te zijn. De werkelijke kans hangt sterk af van
hoe zeldzaam de ziekte is in de populatie (de prior of base rate).
1
