Je kan machines op twee manieren  slim maken. Je kan er in zetten:   "Als ik voor het rode stoplicht sta  moet je stoppen, dus op de rem drukken."  Dat is dan met de hand gecodeerde regeltjes.  Dat is zoals men het vroeger deed,   en dan kun je daar ook mee redeneren.  Als je een heleboel van die regeltjes   hebt dan zou je ook kunnen zeggen: "Kan ik een  consequentie zien door logisch te redeneren?" Meer recentelijk gaat het over het omzetten van  de informatie die in data zit, in een model,   en dan met dat model voorspellingen te  doen. Dus in dat geval zou het algoritme   heel vaak in een auto meerijden met  de bestuurder. De auto zou elke keer   stoppen als het stoplicht op rood gaat.  Dan leert ie van "Oh een rood stoplicht,   dan moet ik op de rem drukken." dus dan worden  die observaties automatisch omgezet in een actie. Nu hebben we de afgelopen jaren heel  veel gehoord over big data en over   data science. Maar als je nu de kranten  leest, dan staat er één woord centraal   en dat is het woord "algoritme". Kan  je uitleggen wat een algoritme is? Een algoritme op zich is gewoon een recept  of een soort set van instructies die je nodig   hebt om een taak op te lossen en binnen  de informatica en computer science gaat   het dan vaak over recepten of sets van  instructies die we aan computers geven. Dus machine learning is een belangrijk  veld in de kunstmatige intelligentie en   ook waar heel veel van het huidige succes  aan te danken is. Dus machine learning   bouwt software om te leren uit data. Ja we  hebben grof gezegd drie manier van leren.   Dus we hebben supervised leren. Dat is  het leren aan de hand van voorbeelden. Iemand labelt van tevoren een deel van je  problemen dan kun je vervolgens op nieuwe   data datzelfde label voorspellen. Een andere  manier van leren is reinforcement learning. Dat kan je vergelijken met een kind dat blokken in  zo'n kubus stopt. Dus een cirkel moet dan door een   rond gat, en een kubus moet door een vierkant gat.  Dus je probeert die bal door dat vierkant, dat   lukt niet, lukt niet en lukt niet. Op een gegeven  moment gaat ie wel door die cirkel en dan heb je   een soort van aha, nu weet ik hoe het werkt. Die  bevestiging, dat noemen we reinforcement learning. Dus niemand heeft verteld: "Die  ronde moet in het ronde gaatje?" Nee, dus je leert gewoon van  de feedback die je krijgt. De derde manier, dat is de meest  uitdagende, die noemen we unsupervised   learning. Dus je krijgt eigenlijk  alleen maar data maar geen labels. Je moet zelf zien uit te vogelen welke  kennis er in die data verstopt zit. Dat is nog één van de grote uitdagingen in de   kunstmatige intelligentie,  om dat goed te kunnen doen. Die systemen die kunnen waarschijnlijk wel goed  clusteren, verdelen over verschillende bakjes,   maar ze hebben geen idee  wat dat nou eigenlijk zegt? Ja, dus één mogelijke toepassing van unsupervised  learning is: Je kijkt naar bijvoorbeeld inspectie   van vliegtuigmotoren. Doorgaans zie je niks raars,  maar zodra je iets raars ziet wat je nog niet   eerder hebt gezien. Dan denk je: "Wacht even dit  is misschien een defect en nu moet ik optreden." Dus het opsporen van afwijkende  patronen in data die je niet   eerder hebt gezien. Zonder dat  je weet wat goed of fout is..