H4 en H10

• Natuur, Leven en Technologie
• Middelbare school
• vwo
• Leerjaar 5

Wat doen we vandaag?

H10 en H11

Neurale netwerken

Door middel van database aan foto's leert het algoritme zelf hoe hij bijvoorbeeld een hond herkent. 

00:33

Neural netwerk

Een neuraal netwerk wordt gevormd doormiddel van bekende data. Doordat je het systeem verteld wat juist is past het zichzelf aan en 'leert' het.

01:02

Vergelijkbaar met een brein. De bolletjes zijn de neuronen. 

01:02

Opbouw neuraal systeem

Het systeem bestaat uit 3 lagen:

- input (hier voor je het probleem aan)

- hidden (hier worden de berekeningen gedaan)

- output: hier wordt de voorspelling getoont

Elke laag bestaat uit verschillende digitale neuronen. 

02:06

Neuron activatie

Bij bijvoorbeeld een plaatje zijn pixel is dus aan gesloten aan een input. 

Elke input wordt vermenigvuldigd 

met een wegings factoren, het product 

hiervan is input voor de hidden layer. 

Als de input van de hiddenlayer hoog genoeg is wordt de neuron geactiveerd en wordt een link gemaakt met de output. Dit heet 'forward propegation'.

03:30

Backward propegation

Het systeem geeft elke output

een verwachtingswaarde

Door de antwoorden te geven 
kan het systeem leren.

Het past dan de wegingsfactoren aan zodat het klopt.

03:46

Wat denk jij dat een goede toepassing is van een neural network?

Vergelijkbaar met een brein. De bolletjes zijn de neuronen. 

Hoe zou AI kunnen helpen in de gezondheidszorg? Wat zijn de uitdagingen hierbij?

Big Data

10.2 Waarvoor gebruikt

10.3 data types

Slim verwarmingssysteem

Scalar: temperatuur

Vector: verschillende 
plekken in een kamer

Matrix: verschillende
kamers.

Tensor: verschillende tijden

Neural networks

Train set: input en output is bekend. Je laat het systeem leren door telkens de  gewichten aan te passen. (80 % van de data)

Test set: ook deze heeft in- en output waarden. Hiermee test je of het systeem werkt nadat het getraind is. (20 % van de data)

Binnen de train en test sets moet de verdeling van de positief en negatieve gevallen ongeveer gelijk zijn. Bijv. 10%

Confusion tabel

Presision

True positive t.o.v. alle positief gegokten. Het liefst heb je geen False positive. Dus streven is 1.

Antwoord

Welk gedeelte van de voorspelde kanker gevallen, goed voorspeld zijn.

Recall

True positive t.o.v. alle echte positives. Een FN is namelijk een positive... Het liefst heb je geen geen FN. Dus steven ook zo dicht mogelijk bij 1. 

Antwoord

Welk gedeelte van de gevallen van kanker worden herkend door het systeem.

Specificity

tegenovergestelde van Recall. Goed gegokten negatives tov alle echte negatives.

Specificity=​TN+FP​​TN​​

Antwoord

Welk gedeelte van de niet kanker gevallen goed worden herkend.

F1-score

Dit is het gemiddelde van de Precision en Recall. 

Antwoord

Ik denk dat het belangrijker is dat de positieve gevallen gezien, dus dat de recall hoog is, dan dat de gegokten allemaal hoog zijn. Dan kan een dokter nog eens kijken of de voorspelde kanker gevallen echt kanker zijn. Als het systeem kanker gevallen over het hoofd ziet dan moeten de artsen alles nog een keer bekijken.