🧠 Briefing on Machine Learning Fundamentals

✍️ Executive Summary

Machine Learning (ML) stelt computers in staat zelf te leren uit data zonder expliciete programmering.

Belangrijkste leervormen:

• Supervised Learning: trainen met gelabelde data om voorspellingen te maken.
• Unsupervised Learning: ontdekken van patronen in ongelabelde data.
• Reinforcement Learning: een agent leert door interactie met een omgeving om beloningen te maximaliseren.

➡️ Supervised technieken:

• Linear Regression: voorspelt continue waarden; minimaliseert Mean Squared Error (MSE) via een analytische oplossing (normal equation).
• Logistic Regression: binaire classificatie; minimaliseert Binary Cross Entropy (BCE) via iteratieve optimalisatie (gradient descent).

➡️ ML vs. Deep Learning:

Traditionele ML werkt vaak met gestructureerde data en minder data-intensief, terwijl Deep Learning geschikt is voor ongestructureerde data (beeld, tekst) en grote hoeveelheden data vereist, met modulaire, “LEGO-achtige” architecturen.

1️⃣ Defining Machine Learning

• Praktisch: “De kunst en wetenschap om computers zo te programmeren dat ze leren uit data.”
• Arthur Samuel (1959): “Geeft computers het vermogen te leren zonder expliciet te programmeren.”

2️⃣ Core Paradigms of ML