AAIP – Hoofdstuk 6
Machine Learning – Overzicht & Kernconcepten
6.1 Waarom dit hoofdstuk belangrijk is
Machine Learning (ML) vormt de kern van moderne AI.
Alles wat je later leert — neurale netwerken, deep learning, LLM’s —
is gebaseerd op de concepten uit dit hoofdstuk.
Na dit hoofdstuk begrijp je:
- wat ML precies is,
- hoe ML‑modellen leren,
- de drie hoofdvormen van ML,
- wat een dataset is,
- wat features zijn,
- wat een loss‑functie is,
- wat training, validatie en testen betekenen.
6.2 Wat is Machine Learning?
Machine Learning is het vakgebied waarin computers leren van data.
In plaats van regels te programmeren, laat je het systeem patronen ontdekken.
Klassieke AI = regels programmeren
Machine Learning = patronen leren uit data
Een ML‑model leert door:
- voorbeelden te zien,
- fouten te maken,
- die fouten te corrigeren,
- en steeds beter te worden.
6.3 De drie hoofdvormen van Machine Learning
6.3.1 Supervised Learning
Het model leert van gelabelde voorbeelden.
- Input → Output
- Voorbeeld: foto → “kat”
6.3.2 Unsupervised Learning
Het model zoekt zelf structuur in data.
- Clustering
- Dimensiereductie
6.3.3 Reinforcement Learning
Een agent leert door beloningen en straffen.
- Games
- Robots
- Optimalisatie
6.4 Datasets & Features
6.4.1 Dataset
Een dataset is een verzameling voorbeelden waarmee een model leert.
6.4.2 Features
Features zijn de eigenschappen die het model gebruikt om te leren.
6.4.3 Labels
Alleen aanwezig in supervised learning.
Het is het “juiste antwoord”.
6.5 Loss‑functies & optimalisatie
Een ML‑model leert door fouten te minimaliseren.
6.5.1 Loss‑functie
De loss‑functie meet hoe slecht het model presteert.
6.5.2 Optimalisatie
Het proces van het aanpassen van modelparameters om de loss te verlagen.
6.5.3 Gradient Descent
De belangrijkste optimalisatietechniek in ML.
6.6 Trainen, valideren en testen
6.6.1 Training set
Data waarmee het model leert.
6.6.2 Validatie set
Data om hyperparameters af te stemmen.
6.6.3 Test set
Data om de uiteindelijke prestaties te meten.
6.7 Overfitting & Underfitting
Overfitting
Het model leert de trainingdata te goed — inclusief ruis.
Underfitting
Het model is te simpel en leert te weinig.
Een goed ML‑model generaliseert naar nieuwe data.
6.8 Reflectie‑opdracht
Beantwoord de volgende vragen schriftelijk:
- Leg in je eigen woorden uit wat Machine Learning is.
- Noem een voorbeeld van supervised learning uit je eigen leven.
- Waarom is een loss‑functie essentieel?
- Wat is het verschil tussen training‑ en testdata?