Wat zijn machine-learningalgoritmen?

Leren voorspellen

Hoewel ML-algoritmen kunnen leren wat functies zijn, is hun primaire doel om te voorspellen hoe data wordt beïnvloed wanneer variabelen aan de vergelijking worden toegevoegd. Deze schattingen bevatten fouten, omdat machines alleen gebruik kunnen maken van de data waarover ze beschikken.

Machine-learningfuncties worden geoptimaliseerd om de foutmarge in deze voorspellingen te beperken. Na verloop van tijd worden algoritmen steeds beter in het verkleinen van de foutmarge.

Variatie in de functies

De diverse machine-learningalgoritmen doen verschillende aannames over functies en hoe ze moeten worden weergegeven. Daarom moet je verschillende algoritmen op het ML-probleem toepassen, totdat je het algoritme vindt dat het meest nauwkeurige resultaat oplevert.

Hoe maak je machine-learningalgoritmen?

Het kost veel tijd en moeite om een functioneel machine-learningalgoritme te maken. Maar als je eenmaal de fijne kneepjes beheerst, kun je je eigen algoritme schrijven en dat levert veel voordelen op.

Als je zelf machine-learningalgoritmen wilt maken, raden we je aan een bestaand neuraal netwerk als basis te gebruiken en deze eenvoudige stappen te volgen:

Doorgrond het algoritme

Eerst moet je bepalen welk type machine-learningalgoritme je wilt maken. Als je een type ML-algoritme hebt gekozen, maak jezelf dan vertrouwd met de structuur, mogelijkheden en beperkingen ervan.

Onderzoek zoveel mogelijk

Vervolgens is het tijd om in de boeken (of YouTube) te duiken. Zowel online als offline is een schat aan informatie te vinden.

In tastbare informatiebronnen zoals studieboeken vind je diepgaande wiskundige details over algoritmen. Maar als je op zoek bent naar toegankelijke informatie en praktische voorbeelden, raden we je aan om tutorialvideo's te bekijken of blogberichten zoals dit te lezen.

Splits een groot probleem op in kleinere delen

Als je je eigen machine-learningalgoritmen gaat maken, komt er veel op je af. Maar je kunt je taak beter hanteerbaar maken door die eerst op te splitsen in kleinere delen.

Dus in plaats van het hele algoritme in één keer te bouwen, kun je het beter stap voor stap aanpakken. Voordat je een algoritme bijvoorbeeld gaat trainen met een dataset, moet je ervoor zorgen dat het algoritme deze set kan lezen. Dit kan betekenen dat je het algoritme leert hoe het null-waarden of categorische data verwerkt. Een stapsgewijze aanpak maakt het proces beter beheersbaar en kan ook voorkomen dat er verderop in het proces veel fouten moeten worden gecorrigeerd.

Begin eenvoudig

Kies een kleine, eenvoudige dataset voor je algoritme. Op die manier kun je de data eenvoudig handmatig invoeren in je algoritmische code. We raden je aan gebruik te maken van een NAND-poort, een veelgebruikte logische poort die ontwikkelaars gebruiken bij het maken van digitale apparaten.

Test het algoritme

Nadat je enkele eenvoudige tests op je algoritme hebt uitgevoerd en het hebt geoptimaliseerd, geef je het een grotere, echte dataset. Ga terug en breng zo nodig aanpassingen aan om de foutmarge te verkleinen. Gebruik indien mogelijk data die al is geanalyseerd door een beproefd ML-systeem, zodat je de nauwkeurigheid van je nieuwe algoritme kunt evalueren.

Schrijf alles op

Tot slot schrijf je alles op wat je tijdens dit proces hebt geleerd. Daardoor krijg je meer inzicht in wat er werkt en hoe je het proces in de toekomst kunt stroomlijnen.

Voordelen en nadelen

ML-algoritmen hebben veel voordelen, maar er kleven ook flink wat nadelen aan. Laten we enkele voor- en nadelen eens nader bekijken, zodat je beter begrijpt wanneer en hoe je machine learning kunt gebruiken.

Belangrijkste voordelen

1. Er is weinig of geen menselijke interactie nodig als het algoritme eenmaal is geschreven. Nadat je machine-learningalgoritmen live zijn gegaan, kunnen ze hun analytisch vermogen verbeteren en voorspellingen doen zonder dat je team constant input hoeft te geven.
2. Trends en patronen zijn gemakkelijk te herkennen. ML-algoritmen zijn zeer geschikt om patronen en trends in klantgedrag in kaart te brengen, zoals winkelgewoonten in e-commerce, zonder dat daar menselijke inspanning voor nodig is.
3. Tijdens het uitvoeren worden de algoritmen steeds beter. Na verloop van tijd worden machine-learningalgoritmen efficiënter en nauwkeuriger doordat ze verwijzen naar historische data.
4. Ze kunnen complexe data verwerken. ML-algoritmen kunnen omgaan met multidimensionale data, waardoor ze kunnen werken met enorme datasets die een breed scala aan variabelen bevatten.
5. Je kunt ze op veel services toepassen. ML-algoritmen kunnen worden gebruikt in een groot aantal uiteenlopende branches, van gezondheidszorg tot e-commerce.

Potentiële nadelen

1. Er zijn grote hoeveelheden data nodig om ze te trainen en te laten leren. Machine-learningalgoritmen hebben enorme hoeveelheden objectieve data van hoge kwaliteit nodig om te leren en zich te verbeteren.
2. Er is veel tijd nodig om ze over een lange periode uit te voeren. Je moet je ML-algoritmen de tijd geven om je data op te nemen, te analyseren en ervan te leren. Je moet ook veel computerresources inzetten om de technologie effectief toe te passen.
3. Resultaten kunnen moeilijk te interpreteren zijn. Als je wilt dat je ML-algoritme verwerkbare resultaten genereert, moet je de juiste formule kiezen voor het beoogde gebruiksscenario.
4. Machine learning kan foutgevoelig zijn. Hoewel ML-algoritmen autonoom werken, zijn ze zeer gevoelig voor fouten, vooral wanneer je het verkeerde type algoritme gebruikt of data van slechte kwaliteit verstrekt.

Als je je bewust bent van de tekortkomingen van machine-learningalgoritmen, kun je deze revolutionaire technologie op de juiste manier gebruiken om bruikbare voorspellingen te doen op basis van je bedrijfsdata.

Welke typen machine-learningalgoritmen zijn er?

Supervised learning

Bij supervised learning verstrek je het machine-learningalgoritme een gelabelde dataset met inputs en outputs. Het algoritme krijgt de taak een functie of methode te vinden om de verstrekte inputs te gebruiken om de gewenste outputs te produceren.

Na elke testronde kun je bekende fouten corrigeren, zodat het algoritme van zijn fouten kan leren.

Semi-supervised learning

Bij semi-supervised learning verstrek je het algoritme zowel gelabelde als ongelabelde informatie. Gelabelde data bevat tags om het algoritme te helpen de data te begrijpen, terwijl ongelabelde data geen tags bevat.

Door ongelabelde en gelabelde data te combineren, leer je het algoritme om ongestructureerde informatie te analyseren.

Reinforcement learning

Bij reinforcement learning worden gereguleerde processen gebruikt om het leerproces te versnellen. Je moet je machine-learningalgoritme voorzien van een gedetailleerde set parameters, acties en EDN-waarden (Extensible Data Notation).

Deze aanpak vereist de meeste menselijke inbreng, maar is zeer effectief om je algoritme te leren hoe het trial-and-error-analyseprocessen kan gebruiken om fouten te verminderen.

Unsupervised learning

Bij unsupervised learning geef je het algoritme ongelabelde data en laat je het zelf relaties en correlaties tussen datasets bepalen. Het machine-learningalgoritme moet zelfstandig enorme datasets doorzoeken.

Wat zijn evolutionaire machine-learningalgoritmen?

Evolutionaire machine-learningalgoritmen zijn computerapplicaties die het gedrag van levende organismen nabootsen om complexe problemen op te lossen. Ze maken gebruik van mechanismen zoals mutatie, recombinatie en reproductie.

Terwijl traditionele ML-algoritmen werken met trial-and-error, gebruiken evolutionaire algoritmen een proces als natuurlijke selectie.

Na elke analyseronde verwijderen evolutionaire algoritmen 'slechte' oplossingen uit hun lijst met voorspellingen en behouden ze 'goede' oplossingen. Dit proces is erop gericht om vast te stellen welke acties hoogstwaarschijnlijk de gewenste resultaten opleveren.

Evolutionaire machine-learningalgoritmen bieden aanzienlijke zakelijke voordelen, waaronder:

• Meer flexibiliteit om vrijwel elk probleem aan te pakken
• Betere optimalisatie om elke mogelijke actie te onderzoeken
• Onbeperkte oplossingen voor talloze potentiële problemen

Evolutionaire algoritmen zijn het beste hulpmiddel om complexe datasets met veel variabelen te onderzoeken. Lees meer over machine learning en het verschil tussen machine learning en kunstmatige intelligentie.

Populaire machine-learningalgoritmen

Er zijn veel verschillende machine-learningalgoritmen. Dit zijn enkele van de populairste:

• Lineaire regressie. Met het statistische lineaire regressiemodel kun je het verband tussen afhankelijke en onafhankelijke variabelen voorspellen. Je kunt lineaire regressiemodellen bijvoorbeeld gebruiken om in te schatten welke impact een hoger budget voor pay-per-click-marketing heeft op leads, betrokkenheid of ROI (return on investment).
• Logistische regressie. Dit statistische model wordt gebruikt om binaire waarden zoals 0 of 1 te schatten. Met logistische regressie kun je voorspellen hoe waarschijnlijk het is dat een bepaalde gebeurtenis zich voordoet.
• KNN-algoritme (K-Nearest Neighbors). Het KNN-algoritme kan worden gebruikt voor regressie- of classificatieproblemen. Als het KNN-algoritme wordt gebruikt voor classificatie, worden nieuwe datapunten geclassificeerd op basis van de dichtstbijzijnde 'buren'. Het nieuwe element wordt toegewezen aan de groep waarmee het meer overeenkomsten heeft.
• Beslisboomalgoritme. Dit is een van de meest gebruikte algoritmen. Datawetenschappers gebruiken het om problemen te classificeren. Het algoritme verdeelt de dataset in verschillende homogene groepen op basis van belangrijke onafhankelijke variabelen of kenmerken. Het algoritme brengt deze groepen vervolgens in kaart in een grafiek die lijkt op een omgekeerde boom.

Wil je meer weten over machine-learningalgoritmen en het gebruik van deze krachtige technologie in Adobe Real-Time Customer Data Platform? Bekijk dan de overzichtsvideo of volg een productrondleiding.

Ontdek hoe Adobe Sensei de besluitvorming aanstuurt in alle Adobe Experience Cloud-producten.