Machine learning leren wiskunde: Welke wiskunde heb je nodig?

Wat is het?

Machine learning is een deelgebied van kunstmatige intelligentie waarin systemen leren van data, zonder expliciet geprogrammeerd te zijn voor elke taak. Het draait om het vinden van patronen en het maken van voorspellingen.

Denk aan de aanbevelingen van Netflix of de gezichtsherkenning op je telefoon.

Om dit te laten werken, zijn wiskundige modellen en algoritmen de kern. De computer gebruikt wiskunde om relaties in grote datasets te ontdekken. Zonder een solide wiskundige basis blijft het een 'black box' waar je geen grip op hebt.

Voor een cursus betekent dit dat je niet alleen code leert schrijven. Je moet de onderliggende vergelijkingen en concepten begrijpen. Anders kun je een model niet goed afstellen of problemen oplossen wanneer het niet werkt.

Hoe werkt het precies?

Machine learning werkt in drie hoofdstappen: training, validatie en testen. Eerst voer je een enorme hoeveelheid voorbeelddata in een algoritme.

Het algoritme past zijn interne parameters aan om de fout tussen zijn voorspelling en de werkelijkheid te minimaliseren. Dit aanpassen gebeurt via een proces dat 'optimalisatie' heet. Stel je voor dat je een lijn door een wolk van datapunten probeert te trekken. De wiskunde berekent precies welke helling en positie van die lijn de kleinste fout geeft.

Dit herhaalt het systeem duizenden keren. Na de training test je het model op nieuwe, ongeziene data.

Dit meet hoe goed het echt generaliseert. De hele cyclus is een wiskundig iteratief proces van fouten minimaliseren en parameters bijstellen.

De wetenschap erachter

De wiskunde achter machine learning rust op drie pijlers. Zonder deze kennis blijft het gebruik van libraries als TensorFlow of scikit-learn oppervlakkig, maar praktijkgerichte projecten bieden de nodige praktijkervaring.

Lineaire algebra

Dit is de absolute basis. Data wordt opgeslagen in vectoren en matrices. Alle transformaties en berekeningen in een neuraal netwerk zijn matrixvermenigvuldigingen. Je moet begrijpen wat een vector, matrix, determinant en eigenwaarde zijn.

Calculus (Differentiaalrekening)

Hier leert het systeem. De kern is de gradiënt: een vector die de richting aangeeft waarin de fout het snelst toeneemt.

Statistiek en waarschijnlijkheidsleer

Door tegen de gradiënt in te bewegen (gradiëntdaling), vindt het algoritme de optimale parameters.

Je moet afgeleiden en partiële afgeleiden kunnen berekenen. Deze tak zorgt voor de interpretatie en robuustheid. Je leert over kansverdelingen, gemiddelden, variantie en de normale verdeling, wat een sterke basis vormt voor deep learning en neurale netwerken.

Bayesiaanse statistiek is cruciaal voor modellen die onzekerheid moeten kwantificeren. Zonder statistiek kun je de output van een model niet betrouwbaar beoordelen.

Daarnaast zijn kennis van optimalisatietheorie en een beetje informatietheorie (voor begrip van verliesfuncties) zeer waardevol. Samen vormen deze gebieden het fundament.

Voordelen en nadelen

Voordelen

• Diepgaand begrip: Je snapt waarom een model werkt of faalt. Je kunt het debuggen en verbeteren, in plaats van alleen maar knoppen indrukken.
• Betere carrièrekansen: Werkgevers zoeken data scientists en ML-engineers die de theorie beheersen. Het onderscheidt je van iemand die alleen tutorials volgt.
• Innovatie: Met wiskundige kennis kun je zelf nieuwe algoritmen ontwerpen of bestaande aanpassen aan specifieke problemen.
• Kritisch vermogen: Je kunt de resultaten en claims van modellen kritisch beoordelen, wat essentieel is voor ethische en verantwoorde AI.

Nadelen

• Hoge instapdrempel: De wiskunde kan intimiderend zijn als je er geen achtergrond in hebt. Het vergt tijd en doorzettingsvermogen.
• Tijdsinvestering: Je moet mogelijk eerst maanden besteden aan het bijspijkeren van wiskunde voordat je aan de leuke ML-projecten begint.
• Abstractie: De concepten zijn soms erg abstract en het verband met praktische code is niet altijd direct zichtbaar.
• Risico op demotivatie: Als de wiskundige theorie te snel of te diep wordt, kan het de motivatie voor het onderwerp zelf ondermijnen.

Voor wie relevant?

Deze wiskundige kennis is cruciaal voor iedereen die serieus met machine learning aan de slag wil, en is een fundamenteel onderdeel van machine learning voor beginners. Voor de hobbyist die alleen vooraf gebouwde modellen wil toepassen, is minder nodig.

Het is met name relevant voor: Als je een online cursus overweegt, kijk dan goed naar het curriculum. Een goede cursus bouwt de wiskunde geleidelijk op en koppelt elk concept direct aan een praktische code-implementatie.

• Aspirant data scientists en ML-engineers: Voor hen is het een harde vereiste voor hun dagelijkse werk.
• Softwareontwikkelaars die hun carrière willen verbreden richting AI en intelligente systemen.
• Onderzoekers en analisten in andere vakgebieden (zoals biologie of economie) die hun data met geavanceerde modellen willen analyseren.
• Productmanagers en techneuten die beter willen samenwerken met data-teams en de mogelijkheden en beperkingen moeten begrijpen.

Begin eventueel met een opfriscursus in de drie kerngebieden voordat je aan een ML-specialisatie begint.

Dat maakt het leerproces uiteindelijk sneller en leuker.