Gevorderd • Les 2

Neurale netwerken en deep learning begrijpen

Moderne AI is gebouwd op neurale netwerken: wiskundige structuren los gebaseerd op hoe het menselijk brein werkt.

Hoe werkt een neuraal netwerk?

Een neuraal netwerk bestaat uit lagen van knooppunten (neuronen). Elke invoer wordt vermenigvuldigd met een gewicht, opgeteld, en door een activatiefunctie gestuurd. Die berekening gaat laag voor laag totdat het netwerk een uitkomst produceert. Tijdens training worden de gewichten steeds aangepast om de fout te minimaliseren.

Diepte versus breedte

Deep learning betekent netwerken met veel lagen (diep). Die extra lagen laten het netwerk steeds abstractere patronen leren: van pixels naar randen, naar vormen, naar objecten, naar concepten. Breedte verwijst naar het aantal neuronen per laag.

Backpropagation

Backpropagation is het algoritme dat neurale netwerken traint. Na elke voorspelling wordt de fout berekend. Die fout werkt achterwaarts door het netwerk om gewichten bij te stellen. Dit proces herhaalt zich miljoenen keren.

Overfitting

Een model dat te goed past op trainingsdata maar slecht presteert op nieuwe data heeft overfit. Technieken zoals dropout, regularisatie en het gebruiken van een aparte validatieset helpen dit te voorkomen.