Een activatiefunctie is een onderdeel van een neuraal netwerk dat bepaalt of en hoe sterk een neuron wordt “geactiveerd”. Het zet de berekende waarde van een neuron om in een output die wordt doorgegeven aan de volgende laag. Zonder activatiefunctie zou een neuraal netwerk alleen simpele, lineaire verbanden kunnen leren. Door activatiefuncties kan het model complexere patronen herkennen.
Dit artikel is onderdeel van de AI Woordenlijst op De Wereld van AI. Daar vind je een overzicht van alle belangrijke AI-begrippen.
Hoe activatiefunctie in de praktijk werkt
Een neuron ontvangt meerdere inputwaarden en berekent daar een som van, vaak met gewichten. Die uitkomst gaat vervolgens door de activatiefunctie.
Stap voor stap werkt het zo:
- Het neuron ontvangt inputwaarden met bijbehorende gewichten
- Deze waarden worden opgeteld tot één uitkomst
- De activatiefunctie past een bewerking toe op deze uitkomst
- Het resultaat bepaalt hoeveel signaal wordt doorgegeven
Een simpel voorbeeld is een functie die alles onder 0 op 0 zet en alles daarboven doorlaat. Zo leert het netwerk om bepaalde signalen wel of niet door te geven.
Bekende activatiefuncties zijn bijvoorbeeld ReLU en sigmoid.
Wil je beter begrijpen hoe neurale netwerken zijn opgebouwd? Lees dan het artikel “Wat zijn neurale netwerken?”.
Waar wordt activatiefunctie voor gebruikt?
Activatiefuncties worden gebruikt in vrijwel alle neurale netwerken. Ze maken het mogelijk om complexe patronen te leren.
Voorbeelden van toepassingen:
- Beeldherkenning, zoals het herkennen van objecten in foto’s
- Spraakherkenning, zoals bij spraakassistenten
- Tekstverwerking, zoals bij chatbots en vertalers
- Voorspellingen, zoals in aanbevelingssystemen
Zonder activatiefuncties zouden deze toepassingen veel minder goed werken.
Verder leren
Wil je AI stap voor stap leren begrijpen? In mijn Gratis Basiscursus AI leg ik de basis uit met duidelijke voorbeelden en zonder technisch jargon. Voor meer uitleg en voorbeelden over AI kun je terecht op mijn YouTube-kanaal De Wereld Van AI.