---
id: CP-502
slug: gesuperviseerd-niet-gesuperviseerd-bekrachtigingsleren
lang: nl
title: Gesuperviseerd leren, niet-gesuperviseerd leren en bekrachtigingsleren
description: "Hoe een AI-systeem leert: gelabelde voorbeelden, data zonder label, pogingen en beloningen. En waarom de trainingsdata belangrijk zijn."
canonical_url: https://startbrain.io/cyberpedia/nl/articles/gesuperviseerd-niet-gesuperviseerd-bekrachtigingsleren/
markdown_url: https://startbrain.io/cyberpedia/nl/articles/gesuperviseerd-niet-gesuperviseerd-bekrachtigingsleren.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: Brain, “Gesuperviseerd leren, niet-gesuperviseerd leren en bekrachtigingsleren”, Cyberpedia, 2026. https://startbrain.io/cyberpedia/nl/articles/gesuperviseerd-niet-gesuperviseerd-bekrachtigingsleren/ (CC BY 4.0)
wing: 4
theme: understand_ai
reflex: air-002
schema: G3
updated: "2026-11-14"
translations:
  nl: https://startbrain.io/cyberpedia/nl/articles/gesuperviseerd-niet-gesuperviseerd-bekrachtigingsleren/
  fr: https://startbrain.io/cyberpedia/fr/articles/apprentissage-supervise-non-supervise-renforcement/
  en: https://startbrain.io/cyberpedia/en/articles/supervised-unsupervised-reinforcement-learning/
  de: https://startbrain.io/cyberpedia/de/articles/ueberwachtes-unueberwachtes-bestaerkendes-lernen/
  es: https://startbrain.io/cyberpedia/es/articles/aprendizaje-supervisado-no-supervisado-por-refuerzo/
  it: https://startbrain.io/cyberpedia/it/articles/apprendimento-supervisionato-non-supervisionato-rinforzo/
  pl: https://startbrain.io/cyberpedia/pl/articles/uczenie-nadzorowane-nienadzorowane-przez-wzmacnianie/
  pt: https://startbrain.io/cyberpedia/pt/articles/aprendizagem-supervisionada-nao-supervisionada-reforco/
  ja: https://startbrain.io/cyberpedia/ja/articles/supervised-unsupervised-reinforcement-learning/
sources:
  - "n": 1
    title: What is Machine Learning? Types and uses
    publisher: Google
    url: https://cloud.google.com/learn/what-is-machine-learning
    accessed: "2026-11-14"
  - "n": 2
    title: "Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations"
    publisher: NIST
    url: https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-2e2025.pdf
    accessed: "2026-11-14"
  - "n": 3
    title: Principles for security of Machine learning ML
    publisher: NCSC (Royaume-Uni)
    url: https://www.ncsc.gov.uk/collection/machine-learning-principles
    published: "2024-05-22"
    accessed: "2026-11-14"
  - "n": 4
    title: Securing Machine Learning Algorithms | ENISA
    publisher: ENISA
    url: https://www.enisa.europa.eu/publications/securing-machine-learning-algorithms
    published: "2021-12-14"
    accessed: "2026-11-14"
  - "n": 5
    title: Deep Learning vs. Machine Learning - Azure Machine Learning
    publisher: Microsoft
    url: https://learn.microsoft.com/en-us/azure/machine-learning/concept-deep-learning-vs-machine-learning?view=azureml-api-2
    accessed: "2026-11-14"
---

# Gesuperviseerd leren, niet-gesuperviseerd leren en bekrachtigingsleren

Een gangbaar AI-systeem is niet regel voor regel geprogrammeerd. Volgens Google [1] stelt machinaal leren (machine learning) een systeem in staat om te leren en zich te verbeteren op eigen houtje, zonder expliciet geprogrammeerd te zijn, doordat het grote hoeveelheden data krijgt. De manier waarop men die data aanlevert, bepaalt wat het systeem leert.

Google [1] beschrijft vier soorten modellen. Drie ervan komen hier aan bod: gesuperviseerd leren, niet-gesuperviseerd leren en bekrachtigingsleren. Het vierde, semigesuperviseerd leren genoemd, is een gemengde aanpak waarbij slechts een deel van de data een label heeft [1]. Voor een medewerker is één punt van belang: een model hangt af van de data waarmee het is getraind [1], en een aanvaller kan proberen die data te vervalsen [2].

## In 30 seconden

- Waar het gebeurt: in tools die berichten indelen, verdachte activiteiten opsporen of een agent aansturen, dat wil zeggen een programma dat al proberend leert en een terugkoppeling krijgt op zijn handelingen [1][2].
- Wat de aanvaller wil: de training vervalsen door voorbeelden toe te voegen of te wijzigen, wat het NIST de vergiftiging van data noemt [2].
- De reflex: zich afvragen waar de data vandaan komen waarmee een tool is getraind voordat men op het resultaat vertrouwt, want een model is vaak maar zo goed als de data die men het geeft [1].

## Directe vragen

### Wat is het verschil tussen de drie manieren van leren?

Alles hangt af van wat het systeem tijdens de training krijgt. Bij gesuperviseerd leren krijgt het gelabelde voorbeelden [1]. Bij niet-gesuperviseerd leren krijgt het data zonder label [1]. Bij bekrachtigingsleren interageert een agent met een omgeving en leert hij een beleid, dat wil zeggen een manier van handelen, die zijn beloning maximaliseert [2].

### Blijft een AI-tool leren zodra hij in gebruik is?

Het NCSC (Verenigd Koninkrijk) [3] definieert continu leren als het geheel van methoden die de training van een model aanpassen of voortzetten zodra het is uitgerold, op basis van interacties en feedback uit het gebruik. Google [1] geeft van zijn kant aan dat een model opnieuw kan worden getraind met nieuwe data en feedback van echte gebruikers kan ontvangen. Het NIST [2] merkt op dat detectoren van aanvallen op industriële systemen vaak opnieuw worden getraind met data die tijdens hun werking zijn verzameld, waardoor een aanvaller de mogelijkheid krijgt ze te vergiftigen.

### Wat is de vergiftiging van data?

Het NIST [2] definieert vergiftigingsaanvallen als aanvallen die tijdens de trainingsfase worden uitgevoerd. Bij een vergiftiging van data heeft de tegenstander een deel van de trainingsdata onder controle door voorbeelden toe te voegen of te wijzigen [2]. Het ENISA [4] rangschikt de vergiftiging van data onder de dreigingen die machinaal-lerensystemen als doelwit hebben, naast adversariële aanvallen en data-exfiltratie.

## Hoe het werkt

### Gesuperviseerd leren: leren met gecorrigeerde voorbeelden

Het model krijgt gelabelde data en leert een kenmerk aan een label te koppelen [1]. Google [1] geeft het voorbeeld van het herkennen van appels: om het algoritme te trainen toont men het afbeeldingen die als appels zijn gelabeld. Het verwachte antwoord is vooraf bekend [1].

Het NIST [2] onderscheidt twee families van gesuperviseerde technieken: classificatie, waarbij de voorspelde labels discreet zijn, en regressie, waarbij ze continu zijn. Microsoft [5] merkt op dat de uitvoer van een machinaal-lerend model meestal een numerieke waarde is, zoals een score of een classificatie.

Het NIST [2] noemt spamclassificatoren die zijn getraind op voorbeelden van e-mails. Het beschrijft ook het geval van de classificatie van malware, waarbij bestanden door aanvallers kunnen worden ingediend bij platforms voor dreigingsinformatie en waarbij het labelen gebeurt met antivirushandtekeningen of andere externe methoden [2].

### Niet-gesuperviseerd leren: groepen vinden zonder instructie

Het model leert patronen uit data zonder label [1]. De “correctness” van de uitvoer is vooraf niet bekend: het algoritme leert van de data zonder menselijk ingrijpen en deelt ze in groepen in op grond van hun kenmerken [1]. Als men het afbeeldingen van appels en bananen geeft, scheidt het die op eigen houtje [1]. Google [1] acht het doeltreffend voor beschrijvende modellering en het zoeken naar patronen, en noemt clustering met K-means onder de gangbare algoritmen.

Op het gebied van beveiliging noemt het NIST [2] niet-gesuperviseerde modellen die worden gebruikt voor het groeperen van malware en voor het opsporen van afwijkingen in het netwerkverkeer. Het wijst erop dat de vergiftiging ervan in beide toepassingen is aangetoond [2].

### Bekrachtigingsleren: leren door te proberen

Google [1] beschrijft het als leren volgens het principe “learn by doing”, door vallen en opstaan. Een agent leert een taak via een terugkoppelingslus, tot zijn prestatie een wenselijk niveau bereikt. Hij krijgt een positieve bekrachtiging wanneer hij slaagt en een negatieve wanneer hij faalt [1]. In het voorbeeld van Google [1] leerden onderzoekers een algoritme go te spelen: zonder de regels te kennen verplaatste het willekeurig stukken en versloeg het uiteindelijk een menselijke speler.

Het NCSC (Verenigd Koninkrijk) [3] preciseert dat zijn beveiligingsprincipes bekrachtigingsleren niet specifiek dekken, omdat deze techniek zich anders ontwikkelt. Ze kunnen als basis dienen, maar aanvullende beveiligingsmaatregelen zijn waarschijnlijk nodig [3].

## De valkuilen

### Data van slechte kwaliteit

Volgens Google [1] wordt het model nauwkeuriger naarmate het algoritme meer voorbeelden krijgt, als men uitgaat van trainingsdata van goede kwaliteit. Omgekeerd levert een algoritme dat wordt gevoed met een bevooroordeelde dataset bevooroordeelde resultaten op [1]. Het verkrijgen en opschonen van gestructureerde data is een belangrijke eerste stap voor gesuperviseerd leren, en dat kan moeilijk zijn wanneer de data over meerdere plaatsen in de organisatie verspreid zijn [1].

### Vergiftigde data

Het NIST [2] schrijft dat vergiftiging op grote schaal kan worden georganiseerd: een tegenstander met beperkte financiële middelen zou een deel van de openbare datasets die voor de training worden gebruikt onder controle kunnen hebben. Hij kan het model op alle voorbeelden verslechteren, of fouten veroorzaken bij een klein aantal gerichte voorbeelden [2]. Een eenvoudige methode, het omdraaien van labels, bestaat erin trainingsvoorbeelden aan te leveren waarvan het label onjuist of gewijzigd is [2].

De verdedigingen zijn ongelijkmatig. Aanvallen die het model op alle voorbeelden verslechteren zijn doorgaans te detecteren door de gebruikelijke prestatiemaatstaven te bewaken, zoals precisie of sensitiviteit [2]. Gerichte aanvallen zijn daarentegen volgens het NIST [2] “notoriously challenging to defend against”. Het noemt als maatregelen de toegangscontrole op de trainingsdata, het opschonen en valideren van de data, en het attesteren van hun herkomst en integriteit.

Het NCSC (Verenigd Koninkrijk) [3] herinnert eraan dat AI- en machinaal-lerensystemen aan nieuwe kwetsbaarheden onderhevig zijn, die men naast de klassieke dreigingen moet beschouwen, en dat beveiliging gedurende de hele levenscyclus van het systeem een vereiste moet zijn.

### Een model kan worden misleid zonder dat de training wordt aangeraakt

Een evasieaanval wijzigt de voorbeelden die aan een al getraind model worden voorgelegd om de voorspelling te veranderen [2]. Het NIST [2] noemt de studie van een commerciële detector van phishingpagina's: van 4.600 voorbeelden die het systeem onzeker achtte, identificeerden de auteurs 100 adversariële voorbeelden. De aanvallers gebruikten daarbij geen optimalisatiemethoden, maar eenvoudige technieken zoals bijsnijden, maskeren of vervagen van de afbeelding [2].

Het NIST [2] voegt eraan toe dat het ontwerpen van modellen die bestand zijn tegen evasie met behoud van hun precisie een open probleem blijft. Sommige evasies tegen detectoren van malware en tegen een systeem voor e-mailbescherming zijn door onderzoekers aangetoond, maar ze hebben in de praktijk niet tot aanvallen geleid [2].

### Wisselende databehoeften

Microsoft [5] geeft aan dat machinaal leren kan werken met kleine hoeveelheden data, terwijl diep leren grote hoeveelheden trainingsdata nodig heeft.

## Bronnen

1. Google, “What is Machine Learning? Types and uses”. https://cloud.google.com/learn/what-is-machine-learning (geraadpleegd op 14 november 2026)
2. NIST, “Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations”. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-2e2025.pdf (geraadpleegd op 14 november 2026)
3. NCSC (Royaume-Uni), “Principles for security of Machine learning ML”, 22 mei 2024. https://www.ncsc.gov.uk/collection/machine-learning-principles (geraadpleegd op 14 november 2026)
4. ENISA, “Securing Machine Learning Algorithms | ENISA”, 14 december 2021. https://www.enisa.europa.eu/publications/securing-machine-learning-algorithms (geraadpleegd op 14 november 2026)
5. Microsoft, “Deep Learning vs. Machine Learning - Azure Machine Learning”. https://learn.microsoft.com/en-us/azure/machine-learning/concept-deep-learning-vs-machine-learning?view=azureml-api-2 (geraadpleegd op 14 november 2026)

---

Oorspronkelijke bron: Cyberpedia, de openbare encyclopedie over cyberveiligheid en AI van Brain. Canonieke versie: https://startbrain.io/cyberpedia/nl/articles/gesuperviseerd-niet-gesuperviseerd-bekrachtigingsleren/
U mag deze tekst vrij hergebruiken onder de licentie CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), mits u “Brain, Cyberpedia” vermeldt met een link naar bovenstaand adres.
