Woordenlijst

Kunstmatige neurale netwerken (ANN’s)

Wat is Kunstmatige neurale netwerken (ANN’s)?

Kunstmatige neurale netwerken (ANN’s) zijn rekenmodellen die bestaan uit veel verbonden eenheden (“neuronen”) die in lagen zijn geordend en invoer verwerken via gewogen verbindingen. Tijdens het trainen worden de gewichten stap voor stap aangepast aan de hand van voorbeelden, meestal via backpropagation. ANN’s vormen de basis van deep learning en drijven beeldherkenning, spraakherkenning en grote taalmodellen aan. Ondanks hun biologische inspiratie werken ze veel eenvoudiger dan het menselijk brein.

Onderwerpen

Deep learning
AI-basisbegrippen
Modellen

KI.ordo uitproberen

Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.

Demo starten

← Alle begrippen

Verwante begrippen

Deep learning

Deep learning is een tak van machine learning die kunstmatige neurale netwerken met veel lagen gebruikt. Zulke netwerken leren uit grote hoeveelheden data welke kenmerken van belang zijn – van randen in beelden tot betekenisrelaties in teksten. Deep learning vormt de basis van de huidige taalmodellen, beeld- en spraakherkenning en machinevertaling en vergt doorgaans veel rekenkracht en trainingsdata.

neurale netwerken
machine learning
+1

Backpropagation

Backpropagation is de standaardmethode waarmee neurale netwerken leren. Na elke voorspelling wordt de fout gemeten en achterwaarts door de lagen van het netwerk doorgegeven, zodat zichtbaar wordt hoeveel elk gewicht eraan heeft bijgedragen. Een optimalisatiemethode zoals gradient descent past de gewichten vervolgens stap voor stap aan. Zonder backpropagation zou het trainen van de huidige taal- en beeldmodellen praktisch onmogelijk zijn.

Neurale netwerken
Training
+1

Activeringsfuncties

Activeringsfuncties bepalen hoe sterk een neuron in een kunstmatig neuraal netwerk zijn signaal doorgeeft. Ze brengen non-lineariteit aan – pas daardoor kan het netwerk complexe verbanden zoals taal of beelden weergeven. Bekende voorbeelden zijn ReLU, dat negatieve waarden op nul zet, sigmoid voor kansen tussen 0 en 1, en GELU, dat in veel transformermodellen wordt gebruikt. De keuze beïnvloedt de snelheid en stabiliteit van de training.

Neurale netwerken
Deep learning
+1

Transformer

De transformer is een architectuur voor neurale netwerken die in 2017 werd geïntroduceerd in het onderzoeksartikel “Attention Is All You Need”. De kern is het aandachtsmechanisme (attention): elk woord wordt gewogen ten opzichte van alle andere woorden in een tekst, en de berekening kan efficiënt parallel worden uitgevoerd. Transformers vormen de basis van de huidige taalmodellen zoals GPT, Claude en BERT en worden ook voor beeld en audio gebruikt.

Architectuur
Deep learning
+1