This is the Trace Id: d44f83d4a8bbf3e1157a242d006e0e89
Overslaan naar hoofdinhoud
Azure

Wat is machine learning?

Machine learning, een subset van AI, gebruikt algoritmen om gegevens te analyseren, patronen te identificeren en voorspellingen te doen. Het leert zelfstandig van gegevens en verbetert in de loop van de tijd.

Wat is machine learning en hoe werkt het?

Machine learning, een subset van AI, maakt gebruik van wiskundige modellen om computers te helpen leren van gegevens zonder directe instructies. Door algoritmen te gebruiken om patronen te identificeren, maakt machine learning gegevensmodellen die voorspellingen doen. Voorspellingen verbeteren naarmate er meer data wordt verzameld en geanalyseerd, net zoals mensen leren van ervaring. Deze aanpassingsmogelijkheden maken machine learning ideaal voor scenario's met voortdurend veranderende gegevens of taken, waarbij coderingsoplossingen niet praktisch zouden zijn.

Belangrijke punten

  • Met machine learning, een subset van AI, kunnen computers leren van gegevens, patronen identificeren en voorspellingen doen die in de loop van de tijd verbeteren.
  • Machine learning helpt organisaties inzichten te ontdekken, gegevensanalyse te verbeteren, klantervaringen te verbeteren, klantgedrag te voorspellen, risico's te verminderen en kosten te verlagen.
  • Machine learning-technieken omvatten leren onder supervisie, leren zonder supervisie, leren onder semi-supervisie, bekrachtigend leren, deep learning, overdrachtsleren en ensemble learning.
  • Verschillende branches maken gebruik van machine learning, waaronder financiën, Gezond­heids­zorg, transport, klantenservice en landbouw.
  • Het machine learning-proces omvat het verzamelen en voorbereiden van gegevens, het trainen van het model en het interpreteren van de resultaten.
  • Wanneer je een machine learning-platform selecteert, zoek je naar functies zoals cloudcomputing, toegankelijke ontwikkelomgevingen, ondersteuning voor vertrouwde machine learning-frameworks en beveiliging op bedrijfsniveau.

Hoe machine learning rendement levert

Onthult inzichten

Machine learning helpt bij het identificeren van patronen of structuren binnen gestructureerde en ongestructureerde gegevens door middel van gegevensanalyse, waardoor praktische inzichten voor besluitvorming worden ontdekt. Het verbetert ook voorspellingen en past zich in de loop van de tijd aan nieuwe gegevens aan.

Verbetert datamining

Machine learning is uitstekend in gegevensanalyse, waarbij nuttige informatie uit grote gegevenssets wordt geëxtraheerd. Dit gaat nog een stap verder door de mogelijkheden in de loop van de tijd voortdurend te verbeteren, wat leidt tot nauwkeurigere inzichten en betere besluitvorming.

Verbetert klantervaringen

Adaptieve interfaces, gerichte inhoud, chatbots en virtuele assistenten met spraakmogelijkheden zijn allemaal voorbeelden van hoe machine learning de klantervaringen helpt verbeteren. Door het gedrag en de voorkeuren van klanten te analyseren, personaliseert machine learning interacties, biedt het tijdige en relevante informatie en stroomlijnt het de klantenservice.

Vermindert risico

Door continu te leren van nieuwe gegevens, verbetert machine learning de mogelijkheid om fraude te detecteren en te voorkomen, waardoor een robuuste bescherming wordt geboden tegen evoluerende bedreigingen. Naarmate fraudetactieken zich ontwikkelen, past machine learning zich aan door nieuwe patronen te detecteren en pogingen te voorkomen voordat ze slagen.

Anticipeert op klantgedrag

Machine learning ontziet klantgerelateerde gegevens om patronen en gedrag te identificeren, zodat verkoopteams productaanbevelingen kunnen optimaliseren en de best mogelijke klantervaringen kunnen bieden. Door continu te leren van nieuwe interacties, voorspelt machine learning toekomstige behoeften en voorkeuren van klanten om proactieve en gepersonaliseerde betrokkenheid te ondersteunen.

Verlaagt de kosten

Machine learning verlaagt de kosten door repititieve en tijdrovende processen te automatiseren, zodat werknemers zich kunnen richten op meer strategische taken met een hogere waarde. Daarnaast optimaliseren machine learning-algoritmen de resourcetoewijzing en minimaliseren ze operationele inefficiëntie door grote gegevenssets te analyseren en gebieden voor verbetering te identificeren. Dit leidt tot aanzienlijke kostenbesparingen voor bedrijven.

Hoe machine learning leert van gegevens en voorspellingen of beslissingen neemt

Leren onder supervisie

Maakt gebruik van gegevenssets met labels of structuur, waarbij gegevens fungeren als docent die het machine learning-model traint, waardoor het zijn vermogen verbeterd om een voorspelling of beslissing te maken. Het model leert door de voorspellingen te vergelijken met de werkelijke resultaten en dienovereenkomstig aan te passen, waardoor de nauwkeurigheid in de loop van de tijd wordt verbeterd.

Leren zonder supervisie

Maakt gebruik van gegevenssets zonder labels of structuur, waarbij gegevens worden gegroepeerd in clusters om patronen en relaties te vinden. Deze techniek helpt verborgen structuren in gegevens te ontdekken, waardoor deze handig is voor taken zoals klantsegmentatie en anomaliedetectie.

Leren met semi-supervisie

Combineert zowel gelabelde als niet-gelabelde gegevens voor training. Deze techniek is met name handig wanneer het labelen van gegevens duur of tijdrovend is. Door de niet-gelabelde gegevens te gebruiken, verbetert het machine learning-model de efficiëntie en nauwkeurigheid van het leren, waardoor leren met semi-supervisie een praktische techniek wordt voor veel praktijkscenario's.

Bekrachtigend leren

Omvat een agent, een computerprogramma dat optreedt namens iemand of iets, wat de menselijke operator vervangt. De agent bepaalt het resultaat op basis van een feedbacklus en leert van feedbacksignalen om de prestaties in de loop van de tijd te verbeteren.
Gebruikt neurale netwerken met veel lagen, deep neural-netwerken genaamd, om complexe patronen in gegevens te modelleren. Deze subset van machine learning is met name effectief voor spraak- en beeldherkenning en is uitermate geschikt voor het verwerken van grote hoeveelheden gegevens en het oplossen van complexe problemen in verschillende domeinen.

Learning overdragen

Is vooraf getraind op één taak en vervolgens afgestemd op een gerelateerde taak. Deze techniek is handig wanneer er beperkte gegevens beschikbaar zijn voor de nieuwe taak. Door kennis van de eerste taak te gebruiken, verbetert overdrachtsleren de prestaties aanzienlijk en verkort je de trainingstijd voor de nieuwe taak.

Ensemble leren

Combineert meerdere modellen om de algehele prestaties te verbeteren. Door de voorspellingen van verschillende modellen samen te voegen, verbetert het learning-model de nauwkeurigheid en robuustheid, waardoor het beter presteert dan ieder alleenstaand model.

Hoe met machine learning problemen kunnen worden opgelost

Hier is een stapsgewijs overzicht van het machine learning-proces.

Stappen

  • Zodra gegevensbronnen zijn geïdentificeerd, worden de beschikbare gegevens gecompileerd. Het type data  helpt bij het bepalen welke machine learning-algoritmen te gebruiken. Terwijl de data scientist de gegevens controleert, worden afwijkingen geïdentificeerd, wordt de structuur ontwikkeld en worden problemen met de gegevensintegriteit opgelost. Stappen voor het vooraf verwerken van gegevens, zoals normalisatie, schalen en codering van categorische variabelen, worden ook uitgevoerd om ervoor te zorgen dat de gegevens een geschikte indeling hebben voor modellering.
  • De voorbereide gegevens worden in twee groepen gesplitst: de trainingsset en de testset. De trainingsset bestaat uit een groot deel van de gegevens en wordt gebruikt om de machine learning-modellen zo nauwkeurig mogelijk af te stemmen.
  • Wanneer de data scientist klaar is om het uiteindelijke gegevensmodel te selecteren, wordt de testset gebruikt om de prestaties en nauwkeurigheid te evalueren. Metrische gegevens, zoals nauwkeurigheid, precisie, relevante overeenkomsten en F1-score, worden berekend om te beoordelen hoe goed het model presteert op ongeziene gegevens.
  • Data scientists beoordelen de resultaten van machine learning-modellen om inzichten te extraheren, conclusies te trekken en voorspellingen te doen. Ze gebruiken verschillende visualisatiehulpprogramma's en technieken, zoals verwarringsmatrices, om de prestaties van het model te interpreteren en te evalueren.
Belangrijke functies

Wat doet machine learning?

Waarden voorspellen

Machine learning voorspelt waarden door oorzaak en effect tussen variabelen te identificeren. Regressie-algoritmen creëren een model op basis van deze waarden, die vervolgens worden gebruikt om voorspellingen te doen. Regressie-onderzoeken helpen bij het voorspellen van de toekomst, zoals het voorspellen van de vraag naar producten, het voorspellen van verkoopcijfers of het schatten van campagneresultaten.

Ongebruikelijke exemplaren identificeren

Wordt vaak gebruikt om potentiële risico's te detecteren, anomaliedetectie-algoritmen lokaliseren gegevens buiten de verwachte norm. Storingen in apparatuur, structurele defecten, tekstfouten en fraude zijn voorbeelden van hoe machine learning wordt gebruikt om deze problemen op te lossen.

Structuur zoeken

Clusteralgoritmen geven de onderliggende structuur in de gegevensset weer, die vaak als eerste stap in machine learning fungeert. Door algemene items te categoriseren, wordt clustering veel gebruikt in marktsegmentatie om meer te weten te komen over prijzen en klantvoorkeuren te voorspellen. Classificatie-algoritmen worden gebruikt in leren onder supervisie om vooraf gedefinieerde labels toe te wijzen waarmee informatie nauwkeurig wordt gecategoriseerd.

De rol van machine learning-technici

Machine learning-engineers transformeren onbewerkte gegevens die zijn verzameld uit verschillende gegevenspijplijnen in schaalbare gegevenswetenschapsmodellen. Ze verbinden gestructureerde gegevens met de modellen die zijn gedefinieerd door gegevenswetenschappers. Ze ontwikkelen ook algoritmen en bouwen programma's waarmee machines, computers en robots gegevens kunnen verwerken en patronen kunnen identificeren. Dit omvat het selecteren en implementeren van de juiste algoritmen, het trainen en evalueren van modellen en het afstemmen van hyperparameters om de prestaties te optimaliseren.

Naast deze taken verwerken machine learning-technici gegevens vooraf om deze geschikt te maken voor modellering, modellen te implementeren in productieomgevingen en ze continu te bewaken en bij te werken om nauwkeurigheid en effectiviteit te behouden. Door nauw samen te werken met gegevenswetenschappers, wordt de kloof tussen gegevensverzameling en inzichten waarop actie kan worden ondernomen, overbrugd, zodat machine learning-oplossingen praktisch en impactvol zijn.

Machine learning-algoritmen

Machine learning-algoritmen identificeren patronen binnen data door middel van data-analyse. Ze helpen data scientists bij het oplossen van problemen door waarden te voorspellen, ongebruikelijke exemplaren te identificeren, structuur te bepalen en categorieën te maken. De keuze van het algoritme is afhankelijk van het type gegevens en het gewenste resultaat. Algoritmen worden over het algemeen geclassificeerd op basis van techniek onder supervisie, zonder supervisie of bekrachtigend leren of op functie, zoals classificatie, regressie en clustering. Het selecteren van het juiste algoritme is essentieel voor effectieve machine learning-toepassingen.

Meer informatie over machine learning-algoritmen.

Machine learning in verschillende branches

Bedrijven in verschillende branches gebruiken machine learning om activiteiten te verbeteren, besluitvorming te verbeteren en innovatie te stimuleren. Hier zijn enkele belangrijke voorbeelden van hoe machine learning wordt toegepast in verschillende sectoren.

Bankwezen en financiën

  • Risicobeheer en fraudepreventie zijn belangrijke gebieden waar machine learning enorm veel waarde toevoegt in de financiële sector.

Gezond­heids­zorg

  • Het verbeteren van diagnostische hulpprogramma's, het ondersteunen van realtime patiëntbewaking en het voorspellen van ziekte-uitbraken zijn enkele voorbeelden van hoe machine learning de patiëntenzorg helpt verbeteren.

Transport

  • Machine learning transformeert het transport door afwijkingen in het verkeer te identificeren, leveringsroutes te optimaliseren en zelfrijdende voertuigen te ondersteunen.

Klantenservice

  • Het beantwoorden van vragen, bepalen van de bedoeling van klanten en bieden van virtuele hulp zijn voorbeelden van hoe machine learning de klantenservicebranche ondersteunt.

Detailhandel

  • Machine learning helpt detailhandelaren bij het analyseren van kooppatronen, het optimaliseren van aanbiedingen en prijzen en het gebruik van gegevens om de algehele klantervaring te verbeteren.

Landbouw

  • Machine learning verbetert de landbouw door robots te ontwikkelen om tekorten aan arbeid aan te pakken, plantenziektes te diagnosticeren en de gezondheid van de aarde te bewaken.

Belangrijke functies voor een geschikt machine learning-platform

Bij het kiezen van een machine learning-platform, zoek dan naar een oplossing die deze bedrijfskritische functies biedt.
  • Dankzij de eenvoudige configuratie en implementatie is de cloud ideaal voor het verwerken van workloads van elke omvang, zodat je gegevensbronnen kunt verbinden en op aanvraag kunt schalen zonder dat je geavanceerde kennis nodig hebt.

Intuïtieve ontwikkelomgeving

  • Het ideale platform ondersteunt verschillende vaardigheidsniveaus.

Ingebouwde ondersteuning voor vertrouwde machine learning-frameworks

  • Of het nu Open Neural Network Exchange (ONNX), Python, PyTorch, scikit-learn of TensorFlow is, zoek naar een platform waarmee je kunt werken met de hulpprogramma's die je kent en graag gebruikt.

Beveiliging van ondernemingsniveau

  • Kies een platform dat naleving, beveiliging en beheer op ondernemingsniveau biedt om je infrastructuur te beveiligen.
Resources

Meer informatie over machine learning

Ontwikkel je vaardigheden, ga aan de slag met Azure Machine Learning en profiteer van Azure-resources.
Een vrouw die lacht terwijl ze een telefoon vasthoudt en een man die een lade vasthoudt.
Azure Machine Learning 

Aan de slag met Azure Machine Learning

Een vrouw die naar een computerscherm wijst en een man die naar het scherm kijkt.
Azure-resources

Verken het Azure-resourcecentrum

Krijg toegang tot video's, rapporten van analisten, training, casestudy's, codevoorbeelden en oplossingsarchitecturen.
Een vrouw met bruin haar die een tablet vasthoudt.
Microsoft Learn

Azure AI-trainingscentrum

Ontwikkel je AI- en machine learning-vaardigheden met leerplannen, video's en artikelen op je eigen tempo.

Veelgestelde vragen

  • De vier basisbeginselen van machine learning zijn gegevensverzameling, modeltraining, modelevaluatie en modelimplementatie. Gegevensverzameling omvat het verzamelen en voorbereiden van gegevens voor analyse. Modeltraining maakt gebruik van deze gegevens om het algoritme te leren voorspellingen of beslissingen te nemen. Modelevaluatie evalueert de prestaties van het model met behulp van metrische gegevens zoals nauwkeurigheid en precisie. Ten slotte omvat modelimplementatie het integreren van het getrainde model in een productieomgeving om realtime voorspellingen of beslissingen te nemen.
  • Regularisatie in machine learning is een techniek die wordt gebruikt om overfitting te voorkomen. Dit gebeurt wanneer een model goed presteert op trainingsgegevens, maar slecht werkt op nieuwe, ongeziene gegevens. Veelvoorkomende regularisatiemethoden zijn L1-regularisatie (Lasso) en L2 (Ridge), waarmee verschillende soorten boetes worden toegevoegd aan de parameters van het model. Dit helpt bij het verbeteren van de generalisatie van het model naar nieuwe gegevens, wat leidt tot betere prestaties in toepassingen in de praktijk.
  • Het meet het aandeel werkelijke positieve exemplaren dat het model correct identificeert. Met andere woorden, recall beantwoordt de vraag: "Hoeveel van alle positieve gevallen heeft het model correct voorspeld?"
  • Een voorbeeld van een machine learning-model is een beslissingsstructuur. Een beslissingsstructuur is een leeralgoritme onder supervisie dat wordt gebruikt voor classificatie en regressie. Het werkt door de gegevens op te delen in subsets op basis van de invoerfunctiewaarden, waardoor een structuur wordt gevormd van beslissingen. Elk knooppunt in de structuur vertegenwoordigt een functie, elke vertakking vertegenwoordigt een beslissingsregel en elk bladknooppunt vertegenwoordigt een resultaat.
    Beslissingsbomen zijn eenvoudig en gemakkelijk te begrijpen, waardoor ze veel worden gebruikt voor taken zoals het voorspellen van klantgedrag of het diagnosticeren van medische aandoeningen
  • Machine learning is een subset van AI. AI omvat in wezen een breed scala aan technologieën en benaderingen, zoals machine learning, verwerking van natuurlijke taal en robotica. Machine learning is een van de belangrijkste technieken die worden gebruikt om AI te bereiken, waardoor systemen automatisch kunnen leren en zich kunnen aanpassen vanuit de ervaring, waardoor AI-toepassingen effectiever en intelligenter worden.
  • Machine learning is een belangrijke techniek in voorspellende analyses, die historische gegevens gebruikt om toekomstige gebeurtenissen te voorspellen. Het verbetert dit proces door patronen en relaties in de gegevens te identificeren, waardoor nauwkeurigere en schaalbare voorspellingen mogelijk zijn. Machine learning-modellen worden getraind op historische gegevens om onderliggende patronen te leren en kunnen worden toegepast op nieuwe gegevens om resultaten te voorspellen. Door continu te leren, verbeteren deze modellen hun voorspellende nauwkeurigheid, waardoor voorspellende analyses effectiever worden.
  • Hoewel machine learning een verscheidenheid aan algoritmen en technieken omvat voor het leren van gegevens, richt deep learning zich specifiek op het gebruik van deze deep neural-netwerken om hoge prestaties te bereiken in taken zoals beeld- en spraakherkenning. Alle deep learning is een subset van machine learning, maar niet alle machine learning omvat deep learning.