Definitie
Tak van AI waarin systemen patronen leren uit data in plaats van expliciet geprogrammeerd te worden. Basis onder vrijwel alle moderne AI.
In context
Machine learning is de tak van AI waarin systemen patronen leren uit data in plaats van expliciet geprogrammeerd te worden. De term werd in 1959 gemunt door Arthur Samuel bij IBM, die het beschreef als "het veld dat computers de mogelijkheid geeft om te leren zonder expliciet geprogrammeerd te zijn".
In de praktijk gaat machine learning over modellen die voorbeelden krijgen en op basis daarvan een functie leren die nieuwe gevallen kan voorspellen of classificeren. Een spamfilter leert van duizenden mails wat een spammail kenmerkt. Een aanbevelingssysteem leert van klikgedrag wat de voorkeuren van een gebruiker zijn. Een fraude-detector leert van transactiegeschiedenis wat verdachte patronen zijn.
Machine learning is breder dan deep learning. Lineaire regressie, decision trees, support vector machines en gradient boosted trees zijn allemaal machine learning maar geen deep learning. Voor veel praktische problemen presteren deze klassieke methoden nog steeds prima, vooral op gestructureerde tabulaire data. Deep learning is sterker waar de invoer ruw en hoogdimensionaal is (pixels, tekens, audio).
Veelgestelde vragen
Wat is het verschil tussen AI en machine learning?
AI is de overkoepelende term voor systemen die taken doen die menselijke intelligentie vragen. Machine learning is een aanpak om die systemen te bouwen door ze te laten leren uit data. Niet alle AI is machine learning (regelgebaseerde systemen ook niet), maar vrijwel alle moderne AI van betekenis is wel machine learning.
Wat zijn de hoofdsoorten machine learning?
Supervised learning: het model leert van voorbeelden met de juiste antwoorden erbij. Unsupervised learning: het model vindt patronen in data zonder labels. Reinforcement learning: het model leert door beloning en straf via interactie met een omgeving. Self-supervised learning: het model genereert zijn eigen labels uit de data, gebruikt bij moderne LLMs.
Heb je veel data nodig voor machine learning?
Het hangt af van de aanpak. Klassieke methodes als logistische regressie werken al goed met honderden tot duizenden voorbeelden. Deep learning vraagt traditioneel veel meer, miljoenen voor goede resultaten. Met transfer learning en voorgetrainde modellen kun je tegenwoordig vaak veel kleinere datasets gebruiken voor specifieke taken.
Welke programmeertalen worden voor machine learning gebruikt?
Python is dominant, vooral met libraries als scikit-learn voor klassieke ML en PyTorch of TensorFlow voor deep learning. R wordt gebruikt in statistische omgevingen. Julia is een opkomende keuze voor numeriek werk. Voor productiesystemen worden modellen vaak in Python getraind en daarna geserveerd via een runtime in andere talen.
In de actualiteit (2)
Deep diveAutonome wapens: de discussie in Genève loopt achter op de realiteit
De VN praat in Genève al jaren over een verdrag voor autonome wapensystemen. AI-gestuurde systemen worden ondertussen al ingezet in Oekraine, Gaza en Iran. OpenAI en Anthropic kwamen in 2026 lijnrecht tegenover elkaar te staan over een Pentagon-deal.
NieuwsIntuit schrapt 3.000 banen en zegt: AI doet de rest
Het bedrijf achter TurboTax en QuickBooks ontslaat zeventien procent van zijn personeel. CEO Sasan Goodarzi zegt dat de organisatie slanker moet en dat AI een grotere rol krijgt. De winst stijgt al jaren.