Je hebt vast weleens gehoord van machine learning en deep learning. Soms worden ze door elkaar gebruikt, alsof het hetzelfde is. Toch zit er een belangrijk verschil tussen die twee.
Wat is machine learning?
Machine learning (ML) is een techniek waarbij computers leren van data, zonder dat ze voor elke stap precies geprogrammeerd worden. Je voedt het systeem met voorbeelden en het algoritme probeert hier patronen in te herkennen.
Een simpel voorbeeld, je wilt een systeem maken dat e-mails als ‘spam’ of ‘geen spam’ kan herkennen. Met machine learning geef je het systeem honderden (of duizenden) e-mails die al gelabeld zijn. Op basis van kenmerken (zoals bepaalde woorden of afzenders) leert het systeem om nieuwe e-mails zelf te classificeren.
Machine learning vereist vaak wel wat menselijke tussenkomst. Een data-analist bepaalt bijvoorbeeld welke kenmerken relevant zijn (zogenaamde “features”).
Wat is deep learning?
Deep learning is een onderdeel van machine learning, maar pakt het anders aan. In plaats van dat een mens de belangrijke kenmerken vooraf bepaalt, leert het systeem zelf welke patronen belangrijk zijn. Dit gebeurt via neurale netwerken met meerdere lagen , vandaar de term deep (diep).
Stel je voor dat je een systeem wilt dat katten op foto’s herkent. Bij gewone machine learning zou je moeten zeggen: “let op oren, snorharen, ogen.” Bij deep learning geef je het gewoon duizenden kattenfoto’s, en het systeem leert zelf wat een kat typeert, zonder dat jij het hoeft voor te doen.
De grootste verschillen op een rij:
- Machine Learning werkt goed met kleinere datasets. Bij dit type modellen wordt de featureselectie handmatig gedaan door een mens. Het vereist minder rekenkracht en presteert redelijk bij complexe taken, al zijn er grenzen. De uitkomsten zijn vaak beter te begrijpen.
- Deep Learning heeft juist veel data nodig om goed te functioneren. De selectie van belangrijke kenmerken gebeurt automatisch door het model zelf. Het vergt krachtige hardware, zoals GPU’s en levert uitstekende prestaties bij complexe taken zoals spraakherkenning, beeldanalyse en videobewerking. De interpretatie van de resultaten is moeilijker, omdat deep learning-modellen vaak worden gezien als een ‘black box’.
Wanneer gebruik je wat?
Machine learning is geschikt voor taken met gestructureerde data (zoals tabellen, cijfers) en wanneer de dataset niet enorm groot is.
Deep learning is beter bij ongestructureerde data, zoals afbeeldingen, geluid of tekst. Denk aan gezichtsherkenning, spraak-naar-tekst of medische scans.
Deze fundamentele verschillen vormen een belangrijk uitgangspunt voor de training over ChatGPT en generative AI. In die sessie gaan we dieper in op hoe deep learning en transformer-technologie de basis vormen voor systemen zoals ChatGPT en hoe deze modellen in de praktijk worden ingezet voor het genereren van tekst, het automatiseren van taken en het ondersteunen van besluitvorming.
Tot slot
Machine learning en deep learning zijn beide vormen van leren door computers, maar de aanpak verschilt. Deep learning is krachtiger bij ingewikkelde vraagstukken, maar heeft meer data en rekenkracht nodig. Machine learning is eenvoudiger toe te passen, vooral als je met duidelijke en gestructureerde data werkt.
Benieuwd naar de rest van onze trainingen? Bekijk hier het overzicht!