Pop-quiz van freeCodeCamp, 14 juli 2026: wat is een neuraal netwerk eigenlijk? De site publiceerde een conceptuele uitleg die CNN’s, RNN’s en transformers terugbrengt tot één bruikbaar mentaal model — zonder dat je code hoeft te schrijven (Bron: freeCodeCamp). In deze gids vatten we dat model samen en koppelen we er een praktische stap aan: zelf rondkijken op Hugging Face, de grootste openbare modellenbibliotheek.
Stap 1: onthoud de drie architecturen als drie zintuigen
Het mentale model uit de freeCodeCamp-uitleg komt hierop neer. Een CNN (convolutioneel neuraal netwerk) is het oog: het schuift kleine filters over een afbeelding en stapelt zo patroonherkenning op — van randjes naar vormen naar objecten. Een RNN (recurrent neuraal netwerk) is het geheugen: het leest een reeks stap voor stap en neemt bij elke stap iets mee van de vorige, wat past bij tekst, audio en tijdreeksen. Een transformer is de leeszaal: hij bekijkt de hele invoer tegelijk en berekent via attention welke delen voor elkaar relevant zijn.
💡 Beginner-tip: je hoeft de wiskunde niet te kennen. Wie onthoudt “CNN = beelden, RNN = reeksen met geheugen, transformer = alles tegelijk wegen” begrijpt al meer dan genoeg om modelbeschrijvingen te lezen.
Stap 2: snap waarom de transformer won
De transformer komt uit het Google-paper Attention Is All You Need (2017). De doorbraak zat in schaal: doordat een transformer invoer parallel verwerkt in plaats van stap voor stap zoals een RNN, kon er op veel grotere datasets getraind worden. Vrijwel elk groot taalmodel dat je vandaag gebruikt — ChatGPT, Claude, Gemini, de open Qwen- en Llama-families — is een transformer-variant. Kom je in een productbeschrijving “transformer-based” tegen, dan weet je nu wat er onder de motorkap zit.
Stap 3: verken de architecturen op Hugging Face
Theorie beklijft pas als je ermee klikt. Op de Hugging Face-modellenhub staan in 2026 ruim twee miljoen modellen (Bron: Hugging Face). Filter in de linkerkolom op taak: kies Image Classification en je ziet overwegend CNN- en vision-transformer-modellen; kies Text Generation en je zit volledig in transformer-land. Open een modelkaart en lees de architectuur-sectie — daar staat precies welk type netwerk het is en waarvoor het getraind werd. Veel modellen hebben een gratis demo-widget, dus testen kan zonder ook maar iets te installeren.
⚡ Gevorderden: wil je toch zelf bouwen, dan is Keras de klassieke instap — de freeCodeCamp-uitleg gebruikt het als voorbeeldbibliotheek. Sinds Keras 3 draait het bovenop meerdere backends (TensorFlow, PyTorch, JAX), dus je zit niet meer aan één ecosysteem vast.
Stap 4: gebruik het model bij je volgende tool-keuze
Dit conceptuele laagje betaalt zich uit bij praktische keuzes: je begrijpt waarom een tool voor beeldherkenning andere limieten heeft dan een chatbot, en waarom “context window” een transformer-eigenschap is. Draai je liever modellen op eigen hardware, lees dan onze gids over open-weight-modellen lokaal draaien of hoe je transformers.js in de browser gebruikt. De bredere stand van open-source AI schetst hetlaatsteainieuws.nl in Staat van open-source AI 2026.
Checklist: ben je klaar?
- Je kunt in één zin uitleggen wat een CNN, RNN en transformer doet
- Je weet waarom transformers de standaard werden (parallel + attention)
- Je hebt op Hugging Face gefilterd op minstens twee verschillende taken
- Je hebt één modelkaart geopend en de architectuur-sectie gelezen
- Je hebt één model getest via een demo-widget, zonder installatie
- Je herkent “transformer-based” in productbeschrijvingen als architectuur-claim