Bomen en grafen gevisualiseerd

Vind 6 in de BST hierboven:
  Start bij 8 → 6 < 8, ga links
  Bij 3 → 6 > 3, ga rechts
  Bij 6 → Gevonden!

Tijdcomplexiteit: O(log n) voor een gebalanceerde boom - dezelfde logaritmische magie als binary search op een gesorteerde array.

Grafen - Alles Verbonden

Een graaf generaliseert bomen door de hiërarchiebeperking weg te nemen. Het bestaat uit knooppunten (nodes/vertices) en kanten (edges/verbindingen). Kanten kunnen zijn:

• Gericht (eenrichting: A → B) of ongericht (tweerichting: A ↔ B)
• Gewogen (elke kant heeft kosten/afstand) of ongewogen

Sociaal netwerk (ongericht):
  Alice - Bob - Charlie
    \       |
     Diana - Eve

Wegenkaart (gewogen, gericht):
  Londen →(2u)→ Birmingham →(1,5u)→ Manchester

Grafen Zijn Overal

• Sociale netwerken: Mensen zijn knooppunten; vriendschappen zijn kanten.
• Het internet: Webpagina's zijn knooppunten; hyperlinks zijn kanten.
• Wegenkaarten: Kruispunten zijn knooppunten; wegen zijn kanten met afstandsgewichten.
• Aanbevelingssystemen: Gebruikers en producten zijn knooppunten; interacties zijn kanten.

Hoe AI Bomen Gebruikt

Decision Trees

Een van de meest interpreteerbare AI-modellen is de decision tree (beslisboom). Het stelt een reeks ja/nee-vragen om data te classificeren:

Is temperatuur > 30°C?
├── Ja: Is luchtvochtigheid > 70%?
│   ├── Ja: "Niet tennissen"
│   └── Nee: "Wel tennissen"
└── Nee: Is het winderig?
    ├── Ja: "Niet tennissen"
    └── Nee: "Wel tennissen"

Decision trees zijn populair omdat mensen ze kunnen lezen en begrijpen - cruciaal in gezondheidszorg, financiën en juridische AI waar verklaarbaarheid ertoe doet.

Random Forests

Een random forest bouwt honderden decision trees, elk getraind op een iets andere subset van de data, en laat ze stemmen. Deze ensemble-aanpak is nauwkeuriger en robuuster dan een enkele boom.

Hoe AI Grafen Gebruikt

Knowledge Graphs

Een knowledge graph slaat feiten op als relaties tussen entiteiten:

(Londen) --[hoofdstad_van]--> (Verenigd Koninkrijk)
(Londen) --[gelegen_in]--> (Engeland)
(Big Ben) --[gelegen_in]--> (Londen)

Google's Knowledge Graph drijft de informatiepanelen aan die je ziet in zoekresultaten.

Aanbevelingsgrafen

Netflix, Spotify en Amazon modelleren gebruikers en items als een graaf. Als gebruikers A en B beide items X en Y leuk vonden, en A ook item Z leuk vond, suggereert de graaf Z aan B. Dit is collaborative filtering aangedreven door graafstructuur.

Traversal - Door Bomen en Grafen Wandelen

Depth-First Search (DFS)

DFS verkent zo ver mogelijk langs één pad voordat het terugkeert. Denk aan een doolhof verkennen door altijd links af te slaan tot je vastloopt, dan teruglopen.

        A
       / \
      B   C
     / \   \
    D   E   F

DFS-volgorde: A → B → D → E → C → F

DFS gebruikt een stack (vanzelf via recursie, of expliciet). Geschikt voor: doolhoven, cyclusdetectie, topologisch sorteren.

Breadth-First Search (BFS)

BFS verkent alle buren op de huidige diepte voordat het dieper gaat. Denk aan rimpelingen die zich uitbreiden vanaf een steen in een vijver.

        A
       / \
      B   C
     / \   \
    D   E   F

BFS-volgorde: A → B → C → D → E → F

BFS gebruikt een queue. Geschikt voor: kortste pad, sociale-netwerkanalyse, webcrawling.

Belangrijkste Punten

• Bomen modelleren hiërarchische data - bestandssystemen, HTML en AI-beslisbomen gebruiken allemaal boomstructuren.
• Binary search trees maken O(log n) opzoekingen mogelijk door een gesorteerde hiërarchie te handhaven.
• Grafen modelleren onderling verbonden data - sociale netwerken, knowledge bases en aanbevelingssystemen.
• DFS (stack-gebaseerd) gaat diep; BFS (queue-gebaseerd) gaat breed - beide drijven kern-AI-algoritmen aan zoals PageRank en aanbevelingsmotoren.