Een machine learning algoritme is de methode waarmee het AI-systeem zijn taak uitvoert, in het algemeen het voorspellen van outputwaarden uit gegeven inputgegevens. De twee belangrijkste processen van machine learning algoritmen zijn classificatie en regressie.
Machine learning (ML) algoritmen worden grofweg gecategoriseerd als ofwel supervised ofwel unsupervised. Supervised learning algoritmen hebben zowel invoergegevens als gewenste uitvoergegevens die hen worden verstrekt door middel van labeling, terwijl unsupervised algoritmen werken met gegevens die noch geclassificeerd noch gelabeld zijn. Een algoritme zonder toezicht kan bijvoorbeeld ongesorteerde gegevens groeperen op basis van overeenkomsten en verschillen.
Bij veel ML-benaderingen, waaronder transfer learning en actief leren, gaat het echter om wat beter kan worden omschreven als semi-supervised algoritmen. Transfer learning maakt gebruik van kennis die is opgedaan bij het voltooien van een taak om een ander maar verwant probleem te helpen oplossen, terwijl actief leren een algoritme in staat stelt de gebruiker of een andere bron om meer informatie te vragen. Beide systemen worden vaak gebruikt in situaties waarin gelabelde gegevens schaars zijn.
Reïnforcement learning, soms beschouwd als een vierde categorie, is gebaseerd op het belonen van gewenst gedrag en/of het bestraffen van ongewenst gedrag om machine-leren zonder toezicht te sturen via beloningen en straffen.
Bekijk een tutorial over machine-leer-algoritmen: