AI – Machine Learning
Machine Learning is een onderdeel dat zijn oorsprong kent vanuit het vakgebied Kunstmatige Intelligentie (AI). Bij een datagedreven aanpak wordt Machine Learning vaak ingezet om op een geautomatiseerde manier patronen en relaties te zoeken in grote en/of complexe hoeveelheden gegevens.
De methoden en technieken van Machine Learning zijn sterk gerelateerd aan die van de statistiek. De resultaten van Machine Learning, zoals (voorspel)modellen, slimme algoritmes of implementaties in programma’s, onderscheiden zich doordat ze in de tijd steeds slimmer/beter worden. Ruwweg geldt dat hoe meer data je gebruikt om een Machine Learning model te voeden hoe meer en betere patronen en relaties er gevonden worden.
Dankzij Machine Learning kunnen we complexe, heterogene en ongestructureerde data analyseren en daaruit inzichten halen die eerder niet mogelijk waren. Machine Learning is vooral bekend geworden door de grote succesen die behaald zijn met zogenaamde Big Data projecten. In het onderwijs zal de complexe, heterogene en ongestructureerde data voor een groot deel afkomstig zijn van studenten en de leeromgeving. Formatieve studieresultaten, werkstukken, video’s, social media, websites, data uit de Digitale Leeromgeving, enz.
De twee belangrijkste vormen van Machine Learning zijn supervised learning en unsupervised learning. Weet je bij de één naar welke gewenste output (supervised) je op zoek bent, bij de ander (unsupervised) heb je geen gewenste uitvoer maar zoek je naar onontdekte verbanden en structuren.
Supervised learning
Hierbij voed je een Machine Learning model met voorbeelden van invoer en bijbehorende uitvoer. Een onderwijsvoorbeeld zou kunnen zijn dat je op basis van historische studentgegevens (invoer) wil gaan voorspellen of een student risico loopt in de toekomst uit te vallen of niet (uitvoer). Een supervised model leert aldus op basis van voorbeelden uit het verleden hoe de eigenschappen van de invoer bepalend zijn voor de uitvoer. Na de leerfase kan het algoritme ook voor nieuwe invoer zelfstandig de juiste uitvoer produceren. Voorbeelden van supervised learning zijn classificatie, regressie, beslisboomalgoritmes, enz.
Unsupervised learning
Bij deze vorm van leren zijn er geen voorbeelden van de gewenste uitvoer; het algoritme moet zelf een (verborgen) structuur in de gegeven invoer ontdekken. Onderwijsvoorbeelden zijn bijvoorbeeld te vinden in differentiatie/maatwerk trajecten waarbij je op zoek bent naar verbanden/ clusters van relevante studentkenmerken. Voorbeelden van unsupervised learning vind je dan ook in de hoek van clusteranalyses, studentsegmetering, aanbod/arbeidsmarktsegmenten enz…
Bronnen:
- https://tweakers.net/reviews/5901/1/neurale-netwerken-de-beslissende-kracht-achter-internet-neurale-netwerken-zijn-overal.html
- https://www.passionned.nl/bi/predictive-analytics/neuraal-netwerk/#article
Artificial Intelligence
Artificial intelligence (AI) is het vermogen van computers om taken uit te voeren waarvoor mensen hun intelligentie inzetten. Denk aan interacteren met de omgeving, analyseren, redeneren, problemen oplossen en voorspellen. In dit artikel leggen we uit hoe AI werkt en welke mogelijkheden het biedt voor het onderwijs.
Bron:
AI, wat is dat nu precies?
Via deze link kom je bij 7 podcasts over de betekenis en de invloed van AI, robots voor de klas en de betekenis van AI voor leren.
Bron:
What is AI? Een Engelstalige cursus met spelelementen om alle aspecten van AI te ontdekken
Leuke website, ontwikkeld in Finland, waar je op een plezierige en laagdrempelige manier veel leert over AI. Engelstalig.
Bron:
Waarom vinden computers witte mannen die Peter heten het leukst? Podcast van de Universiteit van Nederland
Ieder mens heeft vooroordelen, maar geldt dat ook voor computers en smartphones? In dit college duikt filosoof en ethicus Peter-Paul Verbeek (Universiteit Twente) in de wereld van discriminatie in artificiële intelligentie.
Bron:
Neurale netwerken, de beslissende kracht achter internet
Bijna iedereen met een computer heeft dagelijks te maken met kunstmatige intelligentie, meestal onopgemerkt als het allemaal goed gaat, maar vaak een beetje koddig als het verkeerd gaat. Hoe ziet dat er dan uit?
Bron:
Leer hoe een neuraal netwerk werkt
Elke data analist of data scientist moet weten hoe een neuraal netwerk werkt. En wat de problemen zijn waar neurale netwerken een oplossingen voor bieden. Ook is het van belang om de beperkingen te kennen van deze techniek. Dat lees je allemaal op deze pagina over neurale netwerken. Ook te begrijpen door gewone mensen.
Bron: