# leren.llmnet.nl

> Leren & Uitleg — Nederlandstalige artikelen over AI en LLM's.

Onderdeel van het llmnet.nl-netwerk: 10 Nederlandstalige AI-specialisaties (met /en/ Engelse versie).

## Belangrijkste artikelen (NL)

- [Activatie-functies in LLM's: SwiGLU vs GELU vs ReLU](https://leren.llmnet.nl/activatie-functies-in-llm-s-waarom-swiglu-en-gelu-relu-vervangen.md): Waarom gebruiken moderne LLM's SwiGLU en GELU in plaats van ReLU? Ontdek de wiskunde, gating-mechanismen en impact op rekenkracht en geheugen.
- [AI-agent engineer worden in 2026: van prompt naar productie](https://leren.llmnet.nl/ai-agent-engineer-worden-2026.md): De vraag naar AI-agent engineers groeide in een jaar met 280%. Leer wat het beroep inhoudt, welke vaardigheden nodig zijn en hoe je agents in productie brengt
- [AI- en LLM-begrippen van A tot Z](https://leren.llmnet.nl/ai-begrippenlijst.md): Ontdek de belangrijkste AI- en LLM-termen in deze complete begrippenlijst voor beginners. Van RAG en tokens tot fine-tuning, simpel en helder uitgelegd.
- [Alignment uitgelegd: hoe AI-modellen worden afgestemd](https://leren.llmnet.nl/alignment-uitgelegd-hoe-modellen-braaf-worden-gemaakt.md): Hoe worden ruwe LLM's veilig en behulpzaam gemaakt? Lees alles over alignment, RLHF, DPO, constitutionele AI en de balans tussen hulp en veiligheid.
- [Het Attention-mechanisme in AI Begrijpelijk Uitgelegd](https://leren.llmnet.nl/attention-uitgelegd.md): Leer hoe het attention-mechanisme in LLM's werkt. Een heldere uitleg over context, query/key/value, self-attention en kwadratische schaling zonder zware…
- [Catastrofaal vergeten bij het finetunen van LLM's](https://leren.llmnet.nl/catastrofisch-vergeten-voorkomen.md): Begrijp catastrofaal vergeten bij het bijtrainen van taalmodellen. Ontdek hoe het ontstaat, de signalen en praktische methoden om verlies te voorkomen.
- [Chain-of-thought: Een model laten redeneren in stappen](https://leren.llmnet.nl/chain-of-thought.md): Ontdek hoe je de betrouwbaarheid van AI-modellen vergroot met Chain-of-Thought (CoT) prompting. Leer de theorie, valkuilen en oefen met praktijkvoorbeelden.
- [Chunking-strategieën voor RAG: documenten opknippen](https://leren.llmnet.nl/chunking-strategieen-documenten-slim-opknippen-voor-rag.md): Leer hoe je documenten effectief opknipt voor RAG. Vergelijk vaste vensters, recursieve splitters, semantische chunking en hiërarchische documentstructuren.
- [Constitutional AI en RLAIF: trainen met AI-feedback](https://leren.llmnet.nl/constitutional-ai-en-rlaif-modellen-trainen-met-ai-feedback.md): Leer hoe Constitutional AI en RLAIF taalmodellen trainen met geautomatiseerde AI-feedback en principes in plaats van handmatige menselijke annotaties.
- [Context-engineering uitgelegd: Waarom de prompt niet genoeg](https://leren.llmnet.nl/context-engineering-uitgelegd.md): Ontdek wat context-engineering is, hoe je dynamische context (RAG, geheugen, tools) samenstelt en waarom een groter context window niet altijd beter is.
- [De token-economie: wat je betaalt per token en waarom](https://leren.llmnet.nl/de-token-economie-wat-je-betaalt-per-token-en-waarom.md): Ontdek hoe de token-economie van LLM's werkt, waarom invoer en uitvoer verschillend prijzen en hoe je grip krijgt op je API-kosten.
- [Modeldistillatie uitgelegd: Hoe kleine AI-modellen leren van](https://leren.llmnet.nl/distillatie-uitgelegd.md): Ontdek hoe modeldistillatie werkt: de techniek waarmee kleine AI-modellen de kennis van grote modellen overnemen voor snellere en goedkopere prestaties.
- [DPO versus RLHF: twee routes naar voorkeur | llmnet.nl](https://leren.llmnet.nl/dpo-vs-rlhf-uitgelegd.md): Een inhoudelijke vergelijking tussen RLHF en DPO voor het afstemmen van taalmodellen op menselijke voorkeuren, hun werking en praktische afwegingen.
- [Leerpad voor AI-agents: van prompt naar systeem](https://leren.llmnet.nl/een-leerpad-voor-agents-van-prompt-naar-systeem.md): Ontdek het complete leerpad voor AI-agents: van losse prompts naar deterministische systemen met state-machines, tool-calling en robuuste validatie.
- [Embeddings uitgelegd: hoe machines betekenis begrijpen](https://leren.llmnet.nl/embeddings-uitgelegd.md): Ontdek hoe AI tekst begrijpt via embeddings en vectorruimtes. Leer de basis van similarity, semantisch zoeken en clustering in deze compacte module.
- [Evals voor agents: waarom AI-agents falen zonder testen](https://leren.llmnet.nl/evals-voor-agents-waarom-tests-essentieel-zijn.md): Ontdek hoe je AI-agents systematisch test met agent-evals. Voorkom oneindige lussen, foutieve API-calls en onvoorspelbaar gedrag in productie.
- [Fine-tuning versus prompting: wanneer ga je trainen?](https://leren.llmnet.nl/fine-tuning-versus-prompting-wanneer-ga-je-trainen.md): Ontdek wanneer je kiest voor prompt engineering en wanneer fine-tuning noodzakelijk is. Analyseer kosten, datavereisten, latency en modelgedrag in productie.
- [Fine-tuning vs prompting vs RAG: wanneer kies je wat?](https://leren.llmnet.nl/finetuning-vs-prompting-vs-rag.md): Ontdek wanneer je kiest voor prompting, RAG of fine-tuning. Vergelijk concepten, kosten, complexiteit en gebruik de beslisboom voor jouw AI-toepassing.
- [FlashAttention ontleed: snellere GPU-berekening](https://leren.llmnet.nl/flashattention-ontleed-snellere-berekening-via-gpu-geheugen.md): Ontdek hoe FlashAttention de kwadratische geheugenflessenhals van transformers oplost via GPU-geheugenhiërarchie, tiling en online softmax.
- [Geheugen en context: het verschil in taalmodellen](https://leren.llmnet.nl/geheugen-en-context-verschil-uitgelegd.md): Ontdek het wezenlijke verschil tussen geheugen en context bij taalmodellen. Leer hoe toepassingen gesprekken samenhangend houden en wat er misgaat.
- [Geheugen in LLM-apps: wat onthoudt het model?](https://leren.llmnet.nl/geheugen-in-llm-apps-wat-de-model-onthoudt-en-wat-jij-moet-doen.md): Ontdek hoe geheugen in LLM-apps werkt. Leer het verschil tussen stateless inference en externe geheugenlagen zoals vector stores en semantische buffers.
- [Geheugen in LLM-toepassingen: Hoe AI leert onthouden en](https://leren.llmnet.nl/geheugen-in-llm-apps.md): Ontdek hoe geheugen werkt in LLM-toepassingen. Leer het verschil tussen contextvensters, gespreksgeschiedenis, samenvattingen en hoe je gecontroleerd vergeet.
- [Grouped-query attention en geheugengebruik uitgelegd](https://leren.llmnet.nl/grouped-query-attention-uitgelegd.md): Een gedetailleerde analyse van grouped-query attention (GQA). Leer hoe deze techniek het geheugengebruik van KV-caching reduceert en LLM's versnelt.
- [Guardrails bij AI uitgelegd: De veiligheidsfilters van](https://leren.llmnet.nl/guardrails-uitgelegd.md): Ontdek hoe AI-guardrails werken, het verschil tussen training-alignment en runtime-filters, en waarom taalmodellen soms weigeren antwoord te geven.
- [Waarom verzint AI soms dingen? Hallucinaties begrijpen en](https://leren.llmnet.nl/hallucinaties-begrijpen.md): Ontdek waarom taalmodellen hallucineren, hoe je onjuiste AI-antwoorden herkent en welke technieken (zoals RAG) je kunt gebruiken om dit te voorkomen.
- [Hoe beoordeel je of een model goed antwoordt: evals](https://leren.llmnet.nl/hoe-beoordeel-je-of-een-model-goed-antwoordt-evals-voor-beginners.md): Ontdek hoe je de kwaliteit van LLM-antwoorden meet met geautomatiseerde evaluaties, testsets, deterministische checks en LLM-as-a-judge methodes.
- [Hoe een LLM werkt: de 10-minuten-basiscursus](https://leren.llmnet.nl/hoe-een-llm-werkt-10-minuten-basis.md): Ontdek in 10 minuten hoe een Large Language Model werkt. Van tokenisatie tot gewichten en waarschijnlijkheden: de complete basis helder uitgelegd.
- [Hoe leert een AI? Training uitgelegd voor beginners](https://leren.llmnet.nl/hoe-leert-een-ai.md): Ontdek intuïtief hoe kunstmatige intelligentie leert. Leer over datakwaliteit, patronen herkennen en het verschil tussen trainen, finetune en gebruiken.
- [AI-antwoorden evalueren: testsets en LLM-as-judge](https://leren.llmnet.nl/hoe-weet-je-of-een-ai-antwoord-goed-is-evalueren-met-testsets-en-llm-a.md): Ontdek hoe je de kwaliteit van AI-antwoorden meet met representatieve testsets, geautomatiseerde metrieken en LLM-as-judge beoordelingen.
- [In-context learning: leren zonder gewichtsupdates](https://leren.llmnet.nl/in-context-learning-hoe-een-model-leert-zonder-gewichtsupdates.md): Hoe leert een LLM puur op basis van voorbeelden in de prompt? Ontdek de mechanismen van in-context learning, inductiekoppen en de grenzen.
- [AI Inference Uitgelegd: Wat Gebeurt Er Onder De Motorkap?](https://leren.llmnet.nl/inference-uitgelegd.md): Ontdek wat AI inference is. Leer stap voor stap hoe een taalmodel jouw prompt verwerkt, via tokens en de forward pass, tot het genereren van een antwoord.
- [RAG uitgelegd: hoe maak je je eigen documenten doorzoekbaar met AI](https://leren.llmnet.nl/karpathy-regels-claude-md.md): Retrieval-Augmented Generation (RAG) laat een AI in je eigen documenten zoeken voordat het antwoordt. Hoe het stap voor stap werkt, met een praktijkoefening om je eigen pijplijn te ontwerpen.
- [De opbouw van KV-caching in transformer-architecturen](https://leren.llmnet.nl/kv-caching-opbouw.md): Leer hoe KV-caching werkt in transformer-architecturen, hoe de cache in het VRAM-geheugen wordt opgebouwd en hoe GQA en MQA het geheugengebruik verminderen.
- [Kwantisatie uitgelegd: INT4, FP8 en modelcompressie](https://leren.llmnet.nl/kwantisatie-uitgelegd-hoe-modellen-krimpen-met-int4-en-fp8.md): Ontdek hoe kwantisatie werkt bij LLM's. Leer het verschil tussen INT4, FP8, PTQ en QAT om geheugengebruik en rekentijd effectief te optimaliseren.
- [Begin met LLM's: van nul naar je eerste toepassing](https://leren.llmnet.nl/leerpad-beginners.md): Ontdek in dit praktische leerpad hoe Large Language Models (LLM's) werken. Leer effectief prompten, de API-basis en belangrijke privacyrichtlijnen.
- [LoRA en Adapters Uitgelegd: Goedkoop Finetunen | llmnet.nl](https://leren.llmnet.nl/lora-en-adapters-uitgelegd.md): Ontdek hoe LoRA en adapters het finetunen van LLM's betaalbaar en toegankelijk maken. Leer de techniek, voordelen en implementatie voor efficiënte AI.
- [Machine unlearning: data wissen uit netwerkgewichten](https://leren.llmnet.nl/machine-unlearning-data-wissen-uit-getrainde-netwerkgewichten.md): Hoe wis je data uit een getraind neuraal netwerk zonder volledige hertraining? Ontdek technieken, wiskunde en verificatiemethoden voor machine unlearning.
- [Mechanistische interpreteerbaarheid uitgelegd - llmnet.nl](https://leren.llmnet.nl/mechanistisch-interpreteren-uitgelegd.md): Een grondige uitleg van mechanistische interpreteerbaarheid in AI. Ontdek hoe circuits, superpositie en de residuele stroom werken.
- [Mixture-of-Experts (MoE) uitgelegd](https://leren.llmnet.nl/mixture-of-experts-uitgelegd.md): Ontdek hoe Mixture-of-Experts (MoE) moderne AI-modellen sneller en slimmer maakt door niet alle parameters tegelijk te gebruiken. Lees hoe het werkt.
- [Model-specifiek prompten: Claude, Gemini & ChatGPT](https://leren.llmnet.nl/model-specifiek-prompten-claude-gemini-chatgpt.md): Ontdek waarom Claude, Gemini en ChatGPT elk een unieke aanpak vereisen. Optimaliseer je prompts voor systeemkaarten, contextfenomenen en architectuur.
- [Multimodale input: tekst, beeld en audio in één model](https://leren.llmnet.nl/multimodale-input-uitgelegd-tekst-beeld-en-audio-in-n-model.md): Ontdek hoe multimodale LLM's tekst, beeld en audio verwerken in één transformer. Van patch-projectie tot cross-modale representaties en rekenkosten.
- [Multimodale tokenisatie van beelden en audio uitgelegd](https://leren.llmnet.nl/multimodale-tokenisatie-uitgelegd.md): Hoe zetten multimodale AI-modellen beelden en audio om in tokens? Ontdek de mechanismen van patch-embedding, audiocodecs en contextruimte.
- [Parameters en gewichten: wat zit er in een AI-model? | Leren](https://leren.llmnet.nl/parameters-en-gewichten.md): Ontdek wat parameters en gewichten in een AI-model zijn, waarom de omvang ertoe doet, en het verschil tussen training en inferentie met een duidelijke…
- [Positional Encoding Uitgelegd: Volgorde in Transformers](https://leren.llmnet.nl/positional-encoding-uitgelegd.md): Hoe begrijpen transformer-modellen woordvolgorde? Ontdek de werking van sinusoidale, geleerde en roterende positional encodings zoals RoPE.
- [Prompt injection en jailbreaks: waarom instructies en data door elkaar lopen](https://leren.llmnet.nl/prompt-injection-en-jailbreaks-waarom-instructies-en-data-door-elkaar.md): Prompt injection en jailbreaks uitgelegd: waarom een LLM instructies en data niet kan scheiden, hoe RAG het risico vergroot en wat je ertegen doet.
- [Prompten voor niet-technische gebruikers](https://leren.llmnet.nl/prompten-voor-iedereen.md): Ontdek hoe je als niet-technische gebruiker slimme AI-prompts schrijft. Leer helder vragen stellen, context geven en itereren voor direct resultaat zonder…
- [Promptgids per model: Claude, Gemini en ChatGPT](https://leren.llmnet.nl/promptgids-per-model-claude-gemini-chatgpt.md): Ontdek hoe je Anthropic Claude, Google Gemini en OpenAI ChatGPT verschillend aanstuurt met specifieke prompttechnieken voor elk AI-model.
- [RAG uitgelegd voor beginners: je eigen documenten](https://leren.llmnet.nl/rag-voor-beginners.md): Leer de basis van Retrieval-Augmented Generation (RAG). Ontdek hoe embeddings en vector-databases werken en maak je eigen data doorzoekbaar met AI.
- [Re-ranking uitgelegd: cross-encoders vs vector-similarity](https://leren.llmnet.nl/re-ranking-uitgelegd-cross-encoders-versus-vector-similarity.md): Ontdek hoe re-ranking met cross-encoders zoektaken in RAG verbetert ten opzichte van bi-encoders en cosinussimilariteit op latency en precisie.
- [ReAct-patronen ontleed: redeneren en actie](https://leren.llmnet.nl/react-patronen-ontleed-hoe-redeneren-en-acties-samensmelten.md): Ontleed het ReAct-patroon voor LLM-agents: ontdek hoe Thought, Action en Observation samenkomen om redeneren en externe tools te combineren.
- [Redeneermodellen: wat er verandert als denken een aparte stap wordt](https://leren.llmnet.nl/redeneermodellen-wat-er-verandert-als-denken-een-aparte-stap-wordt.md): Redeneermodellen uitgelegd: wat er verandert als denken een aparte stap wordt, hoe test-time compute werkt en wanneer je een redeneermodel inzet.
- [Reinforcement learning - de basis uitgelegd](https://leren.llmnet.nl/reinforcement-learning-basis.md): Ontdek hoe reinforcement learning (versterkend leren) werkt via beloning en straf. Bekijk de kernbegrippen, voorbeelden en praktijktoepassingen.
- [Wat is RLHF? Reinforcement Learning from Human Feedback en](https://leren.llmnet.nl/rlhf-uitgelegd.md): Ontdek hoe AI-modellen worden afgestemd met RLHF en DPO. Leer hoe menselijke feedback zorgt voor veilige, behulpzame en genuanceerde antwoorden van LLM's.
- [Rotary Position Embedding en de verwerking van lange teksten](https://leren.llmnet.nl/rotary-position-embedding-rope.md): Rotary Position Embedding (RoPE) codeert tokenposities als relatieve hoeken. Lees hoe het werkt en waarom lange teksten er baat bij hebben.
- [Temperature, top-p en andere sampling-parameters uitgelegd](https://leren.llmnet.nl/sampling-parameters.md): Ontdek hoe temperature, top-p en penalty's de output van LLM's beïnvloeden. Leer wanneer je kiest voor creativiteit of betrouwbaarheid met praktische…
- [Scaling laws: rekenkracht en datagrootte](https://leren.llmnet.nl/scaling-laws-hoe-rekenkracht-en-datagrootte-prestaties-voorspellen.md): Hoe voorspellen scaling laws de prestaties van taalmodellen? Leer alles over rekenkracht, datagrootte, Chinchilla-verhoudingen en data walls.
- [Self-attention wiskundig ontleed: dot-product tot softmax](https://leren.llmnet.nl/self-attention-wiskundig-ontleed-van-dot-product-naar-softmax.md): Een wiskundige dissectie van scaled dot-product attention in transformers: van query-, key- en value-projecties tot softmax en matrixvermenigvuldiging.
- [Speculatieve decoding in LLM's uitgelegd | llmnet.nl](https://leren.llmnet.nl/speculatieve-decoding-uitgelegd.md): Lees hoe speculatieve decoding de generatiesnelheid van taalmodellen verhoogt zonder kwaliteitsverlies door parallelle tokenverificatie.
- [Synthetische data: hoe modellen leren van AI-data](https://leren.llmnet.nl/synthetische-data-hoe-modellen-leren-van-ai-gegenereerde-datasets.md): Ontdek hoe AI-modellen trainen op synthetische data, wat de risico's van model collapse zijn en hoe geautomatiseerde validatie kwaliteit waarborgt.
- [Systeemprompts ontleed: instructies en prioriteit](https://leren.llmnet.nl/systeemprompts-ontleed-hoe-instructies-prioriteit-krijgen.md): Hoe krijgen systeemprompts prioriteit in LLM's? Lees over chat templates, role tags, attention-mechanismen en grenzen aan modelsturing.
- [Temperature en Top-p Praktisch Uitgelegd](https://leren.llmnet.nl/temperature-en-top-p-praktisch-uitgelegd.md): Ontdek hoe temperature en top-p werken bij LLM's. Praktische voorbeelden, wiskundige uitleg en aanbevolen instellingen voor elke AI-toepassing.
- [Tokenisatie uitgelegd: hoe een LLM tekst in stukjes hakt](https://leren.llmnet.nl/tokenisatie-uitgelegd.md): Ontdek wat tokenisatie is, hoe large language models tekst verwerken en waarom dit cruciaal is voor API-kosten en de context window van je AI-applicatie.
- [Tool calling en gestructureerde uitvoer uitgelegd](https://leren.llmnet.nl/tool-calling-en-gestructureerde-uitvoer-hoe-een-model-een-functie-aanr.md): Ontdek hoe een LLM functies aanroept en gestructureerde JSON genereert. Uitgebreide gids over JSON Schema, grammaticarestricties en tool calling.
- [Interactieve KV-Cache Geheugen-Calculator](https://leren.llmnet.nl/tool-kv-cache-calculator.md): Bereken exact hoeveel VRAM de Key-Value cache van je LLM gebruikt op basis van contextlengte, lagen, hidden size, GQA en precisie.
- [Visuele tokenizer-simulator - hoe LLM-tekstverwerking werkt](https://leren.llmnet.nl/tool-tokenizer-visualiser.md): Ontdek hoe een groot taalmodel tekst opbreekt in kleinere stukjes of tokens met deze interactieve en visuele simulator voor Nederlandse en Engelse teksten.
- [Trainingsdata en Bias bij Taalmodellen](https://leren.llmnet.nl/trainingsdata-en-bias.md): Ontdek hoe bias in AI ontstaat door trainingsdata, de impact van Engels op Nederlandse output, en praktische methoden om vooroordelen te mitigeren.
- [Tree-of-Thoughts en Graph-Reasoning Uitgelegd](https://leren.llmnet.nl/tree-of-thoughts-en-graph-reasoning-zoekbomen-in-promptstructuren.md): Ontdek hoe Tree-of-Thoughts en Graph-of-Thoughts zoekbomen, branching en backtracking toevoegen aan taalmodellen voor complexe planning en redenering.
- [Van tekst naar getallen: vector-embeddings in de praktijk | LLMNet Leren](https://leren.llmnet.nl/van-tekst-naar-getallen-embeddings-praktisch.md): Ontdek hoe vector-embeddings tekst omzetten in getallen voor AI. Praktische uitleg over dimensies, cosinussimilariteit en RAG-toepassingen in zoeksystemen.
- [Vector-indexering met HNSW en IVF uitgelegd | llmnet](https://leren.llmnet.nl/vector-indexering-hnsw-ivf.md): Een grondige uitleg van vector-indexering met HNSW en IVF. Ontdek hoe benaderend zoeken, recall, instellingen en compressie de zoekprestaties beïnvloeden.
- [Voorwaartse vs achterwaartse pass: backpropagation](https://leren.llmnet.nl/voorwaartse-versus-achterwaartse-pass-backpropagation-in-transformers.md): Ontdek het wiskundige verschil tussen de voorwaartse en achterwaartse pass bij transformers, inclusief geheugengebruik en gradient computation.
- [Wat is het verschil tussen een agent en een chatbot? | leren.llmnet.nl](https://leren.llmnet.nl/wat-is-een-agent-vs-chatbot.md): Ontdek het verschil tussen een AI-chatbot en een AI-agent. Lees hoe het lus-principe, gereedschapsgebruik en autonome stappen werken zonder ingewikkeld jargon.
- [Wat is een transformer? Het brein achter moderne AI](https://leren.llmnet.nl/wat-is-een-transformer.md): Ontdek hoe het transformer-model werkt achter moderne AI. Leer over het aandacht-mechanisme, simpele analogieën en test je kennis met een praktische oefening.
- [Wat kost een token? Contextlengte, invoer en uitvoer](https://leren.llmnet.nl/wat-kost-een-token-rekenen-aan-contextlengte-invoer-en-uitvoer.md): Reken uit wat een token kost: invoer versus uitvoer, contextlengte en wanneer caching de rekening verlaagt. Met rekenvoorbeelden en beslisregels.