De machine ontdekt patronen:

• E-mails met "WIN GRATIS GELD" zijn vaak spam
• E-mails van contacten in je adresboek zijn meestal echt
• E-mails met tientallen uitroeptekens zijn vaak spam

Na genoeg voorbeelden bestudeerd te hebben, kan het naar een gloednieuwe e-mail kijken die het nog nooit heeft gezien en voorspellen of het spam is - zonder dat iemand specifieke regels heeft geschreven.

🔍 Unsupervised learning - Verborgen patronen vinden

Wat als je de antwoorden niet hebt? Wat als je gewoon een grote berg data hebt en je wilt dat de machine zelf interessante patronen vindt?

Dat is unsupervised learning. Er is geen leraar, geen labels, geen juiste antwoorden. De machine verkent de data en groepeert vergelijkbare dingen bij elkaar.

Voorbeeld uit de praktijk: klantgroepen

Stel je voor dat een supermarkt aankoopdata heeft van miljoenen klanten, maar geen labels. De AI analyseert de data en ontdekt natuurlijke groepen:

• Groep A: Koopt biologische groenten, scharreleieren en havermelk
• Groep B: Koopt diepvriespizza's, chips en frisdrank
• Groep C: Koopt luiers, babyvoeding en billendoekjes

Niemand heeft de machine verteld dat deze groepen bestonden. Het heeft ze zelf gevonden door patronen in de aankoopdata te herkennen. De supermarkt kan nu elke groep relevante aanbiedingen sturen.

🐕 Reinforcement learning - Vallen en opstaan

Het derde type is reinforcement learning, en het werkt veel als het trainen van een hond.

Wanneer een hond op commando zit, geef je hem een snoepje (beloning). Wanneer hij op je schoen kauwt, zeg je "nee" (straf). Na verloop van tijd leert de hond welk gedrag tot snoepjes leidt en welk tot problemen.

Reinforcement learning werkt op dezelfde manier:

1. De AI neemt een actie in een omgeving
2. Het ontvangt een beloning (positief) of straf (negatief)
3. Het past de strategie aan om beloningen te maximaliseren over tijd
4. Het probeert miljoenen verschillende benaderingen totdat het de beste vindt

Voorbeeld uit de praktijk: game-spelende AI

Google's AlphaGo leerde het oude bordspel Go door miljoenen partijen tegen zichzelf te spelen. Elke overwinning was een beloning; elk verlies een straf. Het probeerde wilde strategieën, leerde van mislukkingen en werd uiteindelijk beter dan elke menselijke speler in de geschiedenis.

Dezelfde aanpak wordt gebruikt om robots te leren lopen, zelfrijdende auto's te leren navigeren en het energieverbruik in datacenters te optimaliseren.

🗺️ De drie typen vergeleken

| Type | Labels? | Vergelijking | Voorbeeld | |------|---------|-------------|-----------| | Supervised | Ja | Studeren met een antwoordenblad | Spamfilters, medische diagnose | | Unsupervised | Nee | Een rommelige la sorteren | Klantgroepen, afwijkingsdetectie | | Reinforcement | Nee (gebruikt beloningen) | Een hond trainen met snoepjes | Game-AI, robotica, zelfrijdende auto's |

🔑 Belangrijkste punten

• Machines leren via een cyclus: data → patronen → voorspellingen → feedback → verbetering
• Supervised learning gebruikt gelabelde voorbeelden - als studeren met een leraar
• Unsupervised learning vindt verborgen patronen in data zonder labels
• Reinforcement learning gebruikt beloningen en straffen - als het trainen van een hond
• Alle drie de typen drijven de AI-systemen aan die je dagelijks gebruikt

Wat volgt?

Nu je begrijpt hoe machines leren, onthult de volgende les de AI die al in je zak zit. Je smartphone zit vol met intelligente functies - laten we ze ontdekken.