Wat is machine learning? Simpel uitgelegd (2026)

Machine learning is een techniek waarmee computers leren van data, zonder dat je elke regel handmatig programmeert. Het systeem herkent patronen in voorbeelden en gebruikt die patronen om voorspellingen te doen over nieuwe data. In dit artikel leg ik stap voor stap uit hoe dat werkt.

In het kort

• Machine learning (ML) is een onderdeel van kunstmatige intelligentie (AI)
• Computers leren patronen herkennen door grote hoeveelheden data te analyseren
• Er zijn drie hoofdtypen: supervised, unsupervised en reinforcement learning
• Je gebruikt het dagelijks: spamfilters, aanbevelingen, spraakherkenning
• Deep learning is een krachtige variant van machine learning

Wat is machine learning precies?

Stel je voor dat je een kind leert wat een hond is. Je laat tientallen foto's van honden zien en zegt telkens "dit is een hond". Na een tijdje herkent het kind ook honden die het nog nooit eerder heeft gezien. Het kind heeft geleerd door voorbeelden.

Machine learning werkt op een vergelijkbare manier. Je geeft een computerprogramma (een "model") duizenden voorbeelden. Het model analyseert die voorbeelden, ontdekt patronen en kan daarna zelf voorspellingen doen over nieuwe gevallen.

Het grote verschil met traditioneel programmeren: bij traditioneel programmeren schrijf je regels zoals "als het onderwerp leeg is EN de afzender onbekend is, markeer als spam." Bij machine learning geef je duizenden voorbeelden van spam en niet-spam, en het systeem ontdekt zelf welke patronen spam kenmerken.

Hoe werkt machine learning? Stap voor stap

Stap 1: Het probleem definieren

Eerst bepaal je wat je wilt voorspellen of classificeren. Bijvoorbeeld: "Is deze e-mail spam of niet?" of "Wat wordt de omzet volgende maand?"

Stap 2: Data verzamelen en voorbereiden

Je verzamelt relevante data. Voor een spamfilter zijn dat duizenden e-mails die al gelabeld zijn als "spam" of "niet-spam". De kwaliteit en hoeveelheid van je data bepalen grotendeels hoe goed je model wordt.

Data voorbereiden is vaak het meeste werk. Je moet ontbrekende waarden aanvullen, fouten corrigeren en de data in het juiste formaat brengen. Hier kunnen AI data cleaning tools je enorm bij helpen.

Stap 3: Een model kiezen en trainen

Je kiest een geschikt algoritme (het type model) en laat het leren van je data. Tijdens het trainen past het model zijn interne parameters steeds aan. Het doel: zo goed mogelijke voorspellingen doen.

Dit trainingsproces kan seconden duren (bij simpele modellen) of weken (bij grote taalmodellen zoals GPT-4 of Claude).

Stap 4: Het model testen

Je test het model met data die het nog niet eerder heeft gezien. Zo controleer je of het model echt geleerd heeft, of dat het alleen de trainingsdata uit het hoofd kent (overfitting).

Stap 5: Inzetten en verbeteren

Als het model goed presteert, zet je het in. Vervolgens monitor je de resultaten en verbeter je het model regelmatig met nieuwe data.

De drie soorten machine learning

1. Supervised learning (begeleid leren)

Bij supervised learning geef je het model voorbeelden met het juiste antwoord erbij. Het model leert de relatie tussen de invoer en het gewenste resultaat.

Voorbeelden:

• E-mails classificeren als spam/niet-spam
• Huizenprijzen voorspellen op basis van kenmerken
• Handschrift herkennen

Dit is de meest gebruikte vorm van machine learning.

2. Unsupervised learning (onbegeleid leren)

Hier geef je het model data zonder labels. Het model moet zelf structuur en patronen ontdekken.

Voorbeelden:

• Klanten groeperen op basis van koopgedrag
• Anomalieen detecteren in netwerkverkeer
• Onderwerpen ontdekken in grote tekstcollecties

3. Reinforcement learning (leren door beloning)

Het model leert door trial and error. Het krijgt een "beloning" voor goede acties en een "straf" voor slechte. Denk aan een computerspeler die leert een game te spelen door steeds opnieuw te proberen.

Voorbeelden:

• Game-AI die leert schaken of Go te spelen
• Robots die leren lopen
• Chatbots die leren betere antwoorden te geven (dit wordt gebruikt bij ChatGPT en Claude)

Wat is deep learning?

Deep learning is een krachtige variant van machine learning die werkt met kunstmatige neurale netwerken. Deze netwerken bestaan uit meerdere "lagen" die steeds abstractere patronen herkennen.

De eerste laag herkent misschien simpele lijnen en randen in een afbeelding. De tweede laag combineert die tot vormen. De derde laag herkent objecten. En zo verder.

Deep learning is de technologie achter:

• Large Language Models (LLMs) zoals ChatGPT en Claude
• Beeldherkenning (Google Photos, Face ID)
• Spraakherkenning (Siri, Google Assistant)
• Zelfrijdende auto's

De reden dat deep learning de afgelopen jaren zo'n vlucht heeft genomen: er is nu genoeg data en rekenkracht beschikbaar om deze complexe modellen te trainen.

Machine learning in de praktijk

In je dagelijks leven

• Netflix/Spotify: aanbevelingen op basis van je kijk- en luistergedrag
• Google Translate: vertaalt tekst met behulp van ML-modellen
• Spam filteren: Gmail gebruikt ML om spam te herkennen
• Gezichtsherkenning: je telefoon ontgrendelen met je gezicht
• Autocorrectie: je toetsenbord voorspelt het volgende woord

Op je werk

• Data-analyse: patronen ontdekken in grote datasets. Combineer dit met Excel of Power BI voor krachtige inzichten
• Klantenservice: chatbots die veelgestelde vragen beantwoorden
• Marketing: voorspellen welke klanten waarschijnlijk iets kopen
• Rapportages: AI-tools voor rapportages gebruiken ML om trends te signaleren

Op hulpbijexcel.nl leer je hoe je AI en machine learning praktisch kunt inzetten bij je data-analyse in Excel.

Veelgemaakte fouten

• Denken dat je veel data nodig hebt: voor sommige taken werkt ML al goed met een beperkte dataset, zeker met moderne technieken als transfer learning
• Data-kwaliteit negeren: een model is zo goed als zijn data. Rommel erin betekent rommel eruit ("garbage in, garbage out")
• Overfitting: het model presteert geweldig op trainingsdata maar slecht op nieuwe data. Test altijd met data die het model nog niet heeft gezien
• ML inzetten waar simpele regels volstaan: niet elk probleem heeft machine learning nodig. Soms is een simpele als-dan-regel effectiever
• Bias in data negeren: als je trainingsdata vooroordelen bevat, neemt het model die over. Controleer je data op representativiteit
• Verwachten dat het model perfect is: geen enkel ML-model is 100% accuraat. Plan altijd voor fouten en edge cases

Veelgestelde vragen

Wat is machine learning in eenvoudige woorden?

Machine learning is een techniek waarmee computers leren van voorbeelden. In plaats van dat je elke regel programmeert, ontdekt het systeem zelf patronen in data en gebruikt die om voorspellingen te doen.

Wat is het verschil tussen AI en machine learning?

AI is het brede vakgebied van slimme computers. Machine learning is een specifieke techniek binnen AI. Lees meer in ons artikel Wat is AI?.

Heb je programmeerkennis nodig voor machine learning?

Om zelf modellen te bouwen wel, meestal in Python. Maar om ML te gebruiken via tools als ChatGPT, Copilot of Gemini heb je geen technische kennis nodig.

Wat zijn voorbeelden van machine learning?

Netflix-aanbevelingen, spamfilters, gezichtsherkenning, spraakherkenning en de autocorrectie op je telefoon. Elk systeem dat leert van data en voorspellingen doet.

Is deep learning hetzelfde als machine learning?

Deep learning is een type machine learning dat werkt met neurale netwerken met veel lagen. Het is bijzonder goed in complexe taken als beeldherkenning en taalverwerking.

Kan ik machine learning gebruiken in Excel?

Niet direct, maar tools als Copilot voor Excel gebruiken ML op de achtergrond om patronen in je data te vinden en suggesties te doen.

Wat is het verschil tussen een model en een algoritme?

Een algoritme is de methode of het recept. Een model is het resultaat nadat het algoritme is getraind op data. Het algoritme beschrijft hoe het model leert; het model bevat de geleerde kennis.

Volgende stappen

Wil je meer weten over de technologie achter moderne AI? Lees dan verder:

• Wat zijn LLMs? over de taalmodellen achter ChatGPT en Claude
• Wat is AI? voor het grotere plaatje
• AI woordenlijst voor uitleg van alle termen

---

Hulp nodig?

Kom je er niet uit? Neem gerust contact op:

• WhatsApp: Stuur een berichtje
• Email: w.bouwmeester@bouwmeesterconsultancy.nl
• Bel: +31 6 28963636

Ik help je graag verder!