Leren onder toezicht, zonder toezicht en met bekrachtiging
U deelt de drie belangrijkste ML-paradigma's in, bekijkt concrete toepassingen voor elk paradigma en koppelt problemen uit de praktijk aan het juiste leertype.
Leren onder toezicht, zonder toezicht en met bekrachtiging is een gratis Machine Learning Academy-les op CoddyKit. Dit is les 2 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Machine Learning Academy. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Machine Learning Academy bevat in totaal 4 lessen.
Overzicht van de drie leerparadigma's
ML is niet één techniek, maar een familie van technieken, ingedeeld op basis van de feedback waaruit ze leren. De drie belangrijkste zijn begeleid, onbegeleid en versterkend leren.
Begeleid leren: leren met labels
Begeleid leren wordt getraind met voorbeelden die al het juiste antwoord hebben (een label). Het vormt de basis van de meeste ML die je gebruikt, zowel voor classificatie als voor voorspellingen.
# Supervised learning example: predict house price
from sklearn.linear_model import LinearRegression
import numpy as np
# Features (size in sq ft) and labels (price in $)
X = np.array([[500], [1000], [1500], [2000]])
y = np.array([100000, 200000, 300000, 400000])
model = LinearRegression()
model.fit(X, y) # supervised: model sees both X and y
# Predict on new data
print(model.predict([[1200]])) # ~$240,000Toepassingen van begeleid leren
Begeleid leren is overal: spamfilters, medische diagnoses, kredietbeoordelingen en beeldherkenning. In elk geval leert het model van eerdere gelabelde voorbeelden.
Onbegeleid leren: verborgen structuur vinden
Onbegeleid leren werkt volledig zonder labels. Het algoritme onderzoekt de gegevens en vindt zelfstandig verborgen structuren, meestal door te clusteren.
# Unsupervised learning example: K-Means clustering
from sklearn.cluster import KMeans
import numpy as np
# No labels — only features
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])
kmeans = KMeans(n_clusters=2, random_state=42)
kmeans.fit(X) # no y — discovers structure on its own
print('Cluster assignments:', kmeans.labels_)
# Automatically finds two groups without any labelsToepassingen van onbegeleid leren
Onbegeleid leren is handig als labels te duur zijn: klanten groeperen, afwijkingen in netwerkverkeer signaleren of onderwerpen in duizenden artikelen vinden.
Versterkend leren: leren door te doen
Bij versterkend leren handelt een agent in een omgeving en krijgt die beloningen of straffen. Zo leert de agent door vallen en opstaan de beste strategie, net als bij het trainen van een hond. 🐕
Toepassingen van versterkend leren
Versterkend leren ligt aan de basis van enkele beroemde successen: AlphaGo leerde Go beheersen door tegen zichzelf te spelen, robots leerden lopen en agents leerden autorijden in een simulatie.
Zelfbegeleid leren: een vierde paradigma
Een moderne variant is zelfbegeleid leren: de gegevens voorzien zichzelf van labels. Taalmodellen zoals BERT leren door gemaskeerde woorden in een zin te voorspellen.
Problemen aan paradigma's koppelen
Vraag jezelf bij het kiezen van een paradigma af: heb je labels? Is de uitvoer een categorie of een getal? Wordt het leren door beloningen gestuurd? Een veilige standaardkeuze is begeleid leren.
半begeleid leren: het beste van twee werelden
De scikit-learn-API voor alle paradigma's
scikit-learn blinkt uit met één consistente API: maak een estimator aan, roep fit() aan en gebruik daarna predict() of transform(). Van algoritme wisselen kost nauwelijks code.
# Consistent API across paradigms
from sklearn.linear_model import LogisticRegression # supervised
from sklearn.cluster import KMeans # unsupervised
from sklearn.decomposition import PCA # unsupervised
import numpy as np
X = np.random.randn(100, 5)
y = np.random.randint(0, 2, 100)
# Supervised
clf = LogisticRegression()
clf.fit(X, y) # needs labels
# Unsupervised
km = KMeans(n_clusters=3)
km.fit(X) # no labels needed
pca = PCA(n_components=2)
X_reduced = pca.fit_transform(X)Korte controle
Test je begrip van machinaal leren met de Python-concepten uit deze les.
Samenvatting van de les
Goed gedaan! Begeleid leren leert van labels, onbegeleid leren vindt verborgen structuren en versterkend leren leert door beloningen. Volgende: de volledige ML-werkwijze.
Leer Python met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 30
- Lessen
- 120
Veelgestelde vragen
Is de les “Leren onder toezicht, zonder toezicht en met bekrachtiging” gratis?
Ja — de volledige tekst van “Leren onder toezicht, zonder toezicht en met bekrachtiging” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus Machine Learning Academy wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus Machine Learning Academy bevat in totaal 4 lessen.
Wat leer ik in “Leren onder toezicht, zonder toezicht en met bekrachtiging”?
U deelt de drie belangrijkste ML-paradigma's in, bekijkt concrete toepassingen voor elk paradigma en koppelt problemen uit de praktijk aan het juiste leertype. Je oefent met Machine Learning Academy door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Machine Learning Academy te beginnen?
Ervaring vooraf is niet nodig. Machine Learning Academy op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 2 van 4.
Hoe lang duurt de les “Leren onder toezicht, zonder toezicht en met bekrachtiging”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Machine Learning Academy?
Ja. Elke les over Machine Learning Academy bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Traditioneel programmeren versus machine learning
- Leren onder toezicht, zonder toezicht en met bekrachtiging
- De ML-werkstroom: van gegevens naar voorspelling
- ML in de praktijk: toepassingen en beperkingen