Machine learning vs deep learning

De korte versie

Hiërarchie: AI → ML → deep learning. Deep learning is een deelgebied van machine learning, dat weer een deelgebied is van AI.

Wat is machine learning?

Machine learning is een brede categorie van algoritmes die patronen leren uit data, zonder dat ze voor elke taak expliciet geprogrammeerd zijn.

Klassieke ML-algoritmes zijn onder meer:

Supervised learning

Lineaire en logistische regressie
Beslisbomen (decision trees)
Random forests
Support vector machines (SVM)
Gradient boosting

Unsupervised learning

K-means-clustering
Hiërarchische clustering
Principal component analysis (PCA)
Anomaliedetectie
Associatieregels

Deze algoritmes vragen vaak om feature engineering: je bepaalt zelf welke kenmerken van de data relevant zijn. Een model dat huizenprijzen voorspelt krijgt kenmerken als oppervlakte, aantal kamers en locatie, niet de ruwe pixels van foto’s.

Wat is deep learning?

Deep learning gebruikt kunstmatige neurale netwerken met meerdere verborgen lagen (“deep” verwijst naar de diepte van het netwerk, niet naar diepzinnigheid).

Het belangrijkste verschil: deep learning leert de features zelf. Je geeft ruwe data (pixels, tekst, audio) en het netwerk leert welke kenmerken relevant zijn.

Een diep neuraal netwerk. "Deep" verwijst naar de verborgen lagen tussen input en output.

Bekende architecturen voor deep learning:

CNN's

Computer vision, beeldherkenning.

Transformers

Taalverwerking, LLM’s, tekstgeneratie.

RNN's en LSTM's

Sequentiedata, tijdreeksen.

De belangrijkste verschillen

Aspect	Machine learning	Deep learning
Feature engineering	Handmatig, vraagt domeinkennis	Automatisch geleerd door het netwerk
Hoeveelheid data	Werkt ook met weinig data	Vraagt doorgaans veel meer data, tenzij je een voorgetraind model bijtraint
Hardware	Een gewone processor volstaat	Training vraagt gespecialiseerde hardware (GPU’s)
Trainingstijd	Kort	Veel langer
Uitlegbaarheid	Vaak goed uit te leggen (beslisbomen)	“Black box”, moeilijk te verklaren
Typische data	Gestructureerd (tabellen, databases)	Ongestructureerd (beelden, tekst, audio)

Wanneer kies je ML?

Klassieke machine learning is vaak de betere keuze wanneer:

Er weinig data is

Met een kleine dataset presteren klassieke algoritmes vaak beter: een groot netwerk heeft te weinig voorbeelden om van te leren.

De data in tabellen staat

Spreadsheets, databases, CSV-bestanden. In een vergelijking op 45 tabeldatasets van gemiddelde omvang presteerden boommodellen zoals gradient boosting en random forests beter dan deep learning, en ze waren sneller (Grinsztajn e.a., NeurIPS 2022).

Uitleg belangrijk is

Regelgeving (financiële sector, zorg) of het opsporen van fouten vraagt vaak om uitlegbare modellen.

Snelheid en kosten tellen

Geen GPU nodig, snel itereren, lage infrastructuurkosten.

Wanneer kies je deep learning?

Deep learning blinkt uit wanneer:

De data ongestructureerd is

Afbeeldingen, video, audio, tekst: hier is handmatige feature engineering onpraktisch.

Er veel data is

Hoe meer voorbeelden, hoe meer een groot netwerk eruit kan leren.

De patronen complex zijn

Objectherkenning, spraakherkenning, natuurlijke taal: taken die voor mensen intuïtief zijn, maar moeilijk in regels te vangen.

Er een voorgetraind model is

Met transfer learning begin je vanaf een model dat al op veel data is getraind, en heb je zelf veel minder data nodig.

Is je data gestructureerd (tabellen)?

Klassieke MLGradient boosting, random forest

Nee

Deep learningCNN's, transformers

Beslisboom: ML of deep learning?

Conclusie

Het is geen of-ofvraag. In de praktijk combineren veel systemen beide benaderingen:

Deep learning om kenmerken te halen uit ongestructureerde data (beelden, tekst)
Klassieke ML als laatste classificatielaag, voor uitlegbare output
Ensemblemodellen die meerdere technieken combineren