Terug naar begrippenlijst
Supervised Learning
Supervised Learning is een leermethode binnen Machine Learning waarbij een model traint met behulp van voorbeelden mét het juiste antwoord erbij. Denk aan het verschil tussen “leren door te doen” en “leren met een leraar die je steeds corrigeert”. Het model krijgt input (bijvoorbeeld een afbeelding of een stukje tekst) én de bijbehorende uitkomst (zoals “dit is een kat” of “deze klant zegt iets positiefs”). Aan de hand van duizenden of miljoenen van dit soort voorbeelden leert het systeem om uiteindelijk zelf voorspellingen te doen – zónder spiekbriefje.
Inhoudsopgave
Leren met het antwoord al in zicht
Zie het als oefenen voor een toets waarbij je de antwoorden van tevoren al krijgt. Het model kijkt, vergelijkt en past zich aan. Eerst gokt het misschien fout, maar elke keer dat het ernaast zit, krijgt het feedback: “nee, dit was geen kat, maar een hond.”
Zo worden de interne parameters bijgesteld, net zolang tot het model patronen begint te herkennen die kloppen. Het doel hiervan is om een AI-model op te zetten dat zó goed heeft geleerd van de voorbeelden, dat het nieuwe gevallen zelfstandig aankan.
De trainingsdata als docent
In Supervised Learning is de trainingsdata dus niet zomaar input, maar een soort lesmateriaal. Elk datapunt bestaat uit een combinatie van een feature (wat je invoert) en een label (wat het is). Hoe beter en diverser die data, hoe slimmer het model wordt.
Maar: als je alleen voorbeelden uit één hoek gebruikt (bijvoorbeeld alleen foto’s van witte katten), leert het model eenzijdig. De kwaliteit van het model is dus direct afhankelijk van hoe goed je data je de wereld laat zien.
Waar je het in de praktijk tegenkomt
Supervised Learning ligt aan de basis van veel AI-toepassingen die we dagelijks gebruiken. Denk aan spamfilters, gezichtsherkenning, taalmodellen, aanbevelingssystemen, sentimentanalyse en zelfs medische diagnoses.
Oftewel: als een AI iets correct moet ‘weten’ op basis van voorbeelden uit het verleden, is de kans groot dat het via Supervised Learning is getraind.
Veelgestelde vragen
Bij Supervised Learning krijgt het model voorbeelden mét labels. Bij Unsupervised Learning zijn er géén labels, het model zoekt dan zelf structuur of patronen.
In het begin vaak wel. Dat maakt het duurder en arbeidsintensiever dan sommige andere leermethoden. Maar er zijn steeds meer tools voor (semi-)automatische labeling.
Foute of eenzijdige labels zorgen voor scheve modellen. Denk aan bias, verkeerde voorspellingen of overfitting (waar het model te precies de trainingsdata nadoet).
Nee, het wordt ook gebruikt voor cijfers, tabellen, spraak en allerlei andere vormen van data.
Bo Pennings CEO & AI specialist
Gerelateerde begrippen
- AI-algoritmes
- AI-model
- Augmented Intelligence
- Autonome AI
- Classificatie
- Claude
- Deepfake
- Gemini
- Learning curve
- Machine Learning bias
- Metrics
- Natural Language Processing
- OpenAI
- Parameter
- Perplexity
- Prompt engineering
- Robotic Process Automation
- Speech-to-Text
- Stable Diffusion
- Superintelligence
- Text-to-Speech
- Token
- Trainingsdataset
- Transformer
