Trainen is de manier hoe een model van data wordt voorzien. Er bestaan een aantal typeringen in de trainingsaanpak:

1. Supervised Learning (Gecontroleerd Leren)
   • Het model wordt getraind op gelabelde data (input met de juiste output).
   • Toepassingen: beeldherkenning, spraakherkenning, en taalmodellen zoals BERT.
   • Voorbeelden:
     • Een model dat leert katten en honden te onderscheiden met afbeeldingen en bijbehorende labels ("kat" of "hond").
2. Unsupervised Learning (Ongestructureerd Leren)
   • Het model leert patronen ontdekken in ongelabelde data.
   • Toepassingen: clustering, dimensiereductie, anomaly detection.
   • Voorbeelden:
     • K-Means clustering voor klantensegmentatie.
     • Autoencoders voor feature-extractie.
3. Reinforcement Learning (Versterkend Leren)
   • Het model leert door trial-and-error, waarbij het beloningen krijgt voor goede acties.
   • Toepassingen: games, robotica, aanbevelingssystemen.
   • Voorbeelden:
     • AlphaGo (AI die Go speelt).
     • OpenAI’s Dota 2 bot.
4. Self-Supervised Learning
   • Een hybride methode waarbij het model zelf labels genereert uit de data.
   • Toepassingen: taalmodellen zoals GPT en BERT, beeldmodellen zoals SimCLR.
   • Voorbeelden:
     • Een taalmodel dat leert ontbrekende woorden in een zin aan te vullen.
5. Semi-Supervised Learning
   • Een combinatie van een klein deel gelabelde data en veel ongelabelde data.
   • Toepassingen: medische beeldverwerking, tekstclassificatie.
   • Voorbeelden:
     • Een model dat medische scans analyseert met een paar gelabelde voorbeelden en veel ongelabelde scans.

AI-Modellen
│
├── Symbolische AI (Regelgebaseerde systemen, Expert Systems, Fuzzy Logic)
│
└── Machine Learning Modellen 
    │
    ├── Supervised Learning Modellen
    │   ├── Beslissingsbomen
    │   ├── Random Forest
    │   ├── Support Vector Machines (SVM)
    │   ├── Neurale Netwerken (zoals CNNs, LSTMs)
    │
    ├── Unsupervised Learning Modellen
    │   ├── K-Means Clustering
    │   ├── Principal Component Analysis (PCA)
    │   ├── Autoencoders
    │
    ├── Reinforcement Learning Modellen
    │   ├── Deep Q-Networks (DQN)
    │   ├── Proximal Policy Optimization (PPO)
    │   ├── Actor-Critic Architecturen
    │
    ├── Self-Supervised Learning Modellen
    │   ├── Large Language Models (LLMs) zoals GPT, BERT
    │   ├── Contrastive Learning (bijv. SimCLR voor beeldherkenning)
    │
    ├── Semi-Supervised Learning Modellen
        ├── Mix van gelabelde en ongelabelde data voor NLP, computer vision, etc.