Wat is ML
Om de code in deze cursus te kunnen volgen, is het aan te raden eerst de volgende cursussen te voltooien, tenzij deze onderwerpen al bekend zijn:
Machine learning (ML) is een benadering van programmeren waarbij computers leren van data om een taak op te lossen, in plaats van expliciete instructies te krijgen.
Beschouw het voorbeeld van een spam/ham (niet-spam) classifier.
Het bouwen van een dergelijk systeem met een traditionele programmeerbenadering (zonder ML) is lastig, omdat het vereist dat expliciete regels worden geschreven, zoals het handmatig samenstellen van een lijst met spamwoorden.
Met machine learning wordt het model getraind op veel voorbeelden van spam- en ham-e-mails en leert het zelf de onderscheidende patronen.
De gegevens die voor training worden gebruikt, worden de trainingsset genoemd. In dit geval bestaat deze uit e-mails die al gelabeld zijn als spam of ham, waardoor het model de kenmerken van beide categorieën kan vastleggen.
Na de training wordt het model geëvalueerd met behulp van een testset - een aparte verzameling gelabelde e-mails. Deze stap controleert hoe goed het model generaliseert naar nieuwe, onbekende gegevens.
Bedankt voor je feedback!
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
Awesome!
Completion rate improved to 3.13Wat is ML
Veeg om het menu te tonen
Om de code in deze cursus te kunnen volgen, is het aan te raden eerst de volgende cursussen te voltooien, tenzij deze onderwerpen al bekend zijn:
Machine learning (ML) is een benadering van programmeren waarbij computers leren van data om een taak op te lossen, in plaats van expliciete instructies te krijgen.
Beschouw het voorbeeld van een spam/ham (niet-spam) classifier.
Het bouwen van een dergelijk systeem met een traditionele programmeerbenadering (zonder ML) is lastig, omdat het vereist dat expliciete regels worden geschreven, zoals het handmatig samenstellen van een lijst met spamwoorden.
Met machine learning wordt het model getraind op veel voorbeelden van spam- en ham-e-mails en leert het zelf de onderscheidende patronen.
De gegevens die voor training worden gebruikt, worden de trainingsset genoemd. In dit geval bestaat deze uit e-mails die al gelabeld zijn als spam of ham, waardoor het model de kenmerken van beide categorieën kan vastleggen.
Na de training wordt het model geëvalueerd met behulp van een testset - een aparte verzameling gelabelde e-mails. Deze stap controleert hoe goed het model generaliseert naar nieuwe, onbekende gegevens.
Bedankt voor je feedback!
