|
Een Python AI voorbeeld wordt leerzamer wanneer je twee aanpakken voor dezelfde taak vergelijkt. Denk aan het herkennen van eenvoudige handgeschreven cijfers op kleine afbeeldingen. Je kunt daarbij een relatief eenvoudig model naast een neuraal netwerk zetten. Het doel van de oefening is niet om vooraf een winnaar aan te wijzen, maar om te begrijpen hoe invoer, training en beoordeling samen bepalen wat een resultaat waard is. Maak de opdracht klein genoegBeschrijf eerst welke afbeeldingen worden gebruikt en welke uitkomst wordt verwacht. Voor een oefening met cijfers is het antwoord één cijferlabel per afbeelding. Gebruik een bestaande, duidelijk beschreven oefenverzameling of zorgvuldig gemaakte eigen voorbeelden. Vermeng de eerste proef niet meteen met foto’s van formulieren, verschillende resoluties en allerlei extra tekens. Bekijk een aantal afbeeldingen voordat je programmeert. Zijn alle cijfers leesbaar en hebben ze hetzelfde formaat? Zijn er voorbeelden waarover mensen kunnen twijfelen? Die verkenning geeft context aan latere fouten. Wanneer een cijfer ook voor een mens onduidelijk is, vraagt dat een andere uitleg dan een fout bij een helder en vaak voorkomend patroon. Begrijp hoe een afbeelding invoer wordtEen digitale afbeelding bestaat uit waarden die de pixels beschrijven. Voor een eenvoudig model kun je die waarden als een reeks kenmerken aanbieden. Het programma ziet dan getallen die bij de afbeelding horen. Daarmee is nog niet gezegd dat het systeem cijfers begrijpt zoals een mens dat doet. Het zoekt een verband tussen de invoerwaarden en de labels uit de voorbeelden. Zorg dat iedere afbeelding op dezelfde manier wordt verwerkt. Afmetingen, volgorde en eventuele schaalveranderingen moeten overeenkomen tussen training en gebruik. Een verschil in voorbereiding kan anders meer invloed hebben dan de keuze van het model. Bewaar daarom de voorbereidende stappen samen met de rest van de oefening en controleer enkele tussenresultaten. Begin met een vergelijkingspuntMaak eerst een eenvoudige aanpak en beoordeel die op afzonderlijke voorbeelden. Die uitkomst vormt een vertrekpunt voor verdere experimenten. Zonder zo’n vergelijking is moeilijk te zeggen of een ingewikkelder model iets toevoegt. Een hogere score op één kleine selectie kan bovendien toeval zijn of voortkomen uit een andere verdeling van de gegevens. Gebruik voor de vergelijking dezelfde testvoorbeelden en dezelfde beoordelingswijze. Leg ook vast hoeveel tijd de voorbereiding en uitvoering kosten. Voor een leerproject hoeft snelheid niet doorslaggevend te zijn, maar het helpt om de verschillen te begrijpen. Een model kan meer mogelijkheden bieden en tegelijk meer aandacht vragen bij instellingen of foutonderzoek. Wat een neuraal netwerk toevoegtEen neuraal netwerk verwerkt invoer via verbonden berekeningsstappen. Tijdens het trainen worden gewichten aangepast om de uitkomst beter te laten aansluiten op de voorbeelden. Bij deep learning worden meerdere verwerkingslagen gebruikt. Dat kan helpen om ingewikkelde patronen te modelleren, maar is geen garantie dat iedere kleine oefening daardoor automatisch beter wordt opgelost. Verander niet allerlei instellingen tegelijk. Kies één aanpassing en vergelijk opnieuw met het eerdere resultaat. Noteer wat je hebt veranderd en waarom. Zo blijft de oefening een onderzoek dat je kunt volgen. Een lange reeks pogingen zonder registratie maakt het moeilijk te begrijpen welke keuze werkelijk heeft geholpen en welke alleen toevallig gunstig leek. Lees de fouten als voorbeeldenBekijk welke cijfers met elkaar worden verward. Wordt een bepaalde schrijfwijze vaak verkeerd herkend? Zijn verschoven of onduidelijke afbeeldingen lastiger? Leg enkele voorbeelden naast elkaar en beschrijf wat je ziet. Dat levert gerichtere ideeën op dan alleen het gemiddelde percentage juiste antwoorden verhogen zonder te onderzoeken welke fouten achterblijven. Maak ook onderscheid tussen trainen en beoordelen. De voorbeelden waarmee je het model steeds bijstuurt, zijn geen onafhankelijke eindcontrole meer. Bewaar daarom materiaal voor een laatste beoordeling. Gebruik het resultaat daarvan om de grenzen van het experiment te beschrijven, niet om onbeperkt opnieuw te kiezen totdat dezelfde controle eindelijk een gunstig cijfer oplevert. Rond de oefening af met uitlegVermeld expliciet dat de proef alleen over de gekozen afbeeldingen gaat. Goede resultaten op nette oefenbestanden bewijzen nog niet dat dezelfde toepassing ook foto’s van echte formulieren correct kan verwerken. Bewaar de code, de gebruikte instellingen en een korte vergelijking van beide aanpakken. Beschrijf welke voorbeelden goed gingen en welke moeilijk bleven. Een geslaagd Python AI voorbeeld is daarmee meer dan een voorspelling op het scherm. Het laat zien hoe je een model opbouwt, eerlijk vergelijkt en kritisch beoordeelt voordat je grotere of minder overzichtelijke problemen gaat aanpakken.
Sergej Dergatsjev, eigenaar van Online Solutions Group, heeft CompanyGids nieuw leven ingeblazen en het platform verder uitgebouwd tot een moderne bedrijvengids voor België. Bezoek Company Gids en Online Solutions Group. |
| https://www.dergatsjev.be/2021/02/event-over-python-machine-learning.html |
Veelgestelde vragen
Wat is het verschil tussen machine learning en deep learning?▼
Machine learning is afhankelijker van menselijke tussenkomst om features te bepalen, terwijl deep learning dit proces automatiseert. Deep learning is eigenlijk een subgebied van machine learning dat beter kan schalen met grotere datasets.
Wat zijn neurale netwerken en hoe werken ze?▼
Neurale netwerken bestaan uit knooppuntlagen (invoer, verborgen en uitvoer). Elk knooppunt heeft een gewicht en drempel. Wanneer de uitvoer de drempel overschrijdt, wordt het knooppunt geactiveerd en worden gegevens doorgegeven naar de volgende laag.
Hoeveel lagen moet een neuraal netwerk hebben om diep leren te zijn?▼
Een neuraal netwerk met meer dan drie lagen (inclusief input en output) wordt beschouwd als een deep learning-algoritme. Een netwerk met slechts twee of drie lagen is een basis neuraal netwerk.
Kan deep learning werken zonder gelabelde datasets?▼
Ja, deep learning kan ongestructureerde gegevens in onbewerkte vorm opnemen, zoals tekst en afbeeldingen. Het bepaalt automatisch welke features verschillende categorieën onderscheiden, zonder menselijke tussenkomst.
Welke toepassingen profiteerden het meest van deep learning?▼
Deep learning en neurale netwerken hebben vooral vooruitgang versneld op het gebied van computervisie, natuurlijke taalverwerking en spraakherkenning.
