Certificatiecursus Machine Learning met Python
450,00 EUR
- 30 uur
Deze cursus Machine Learning met Python biedt een diepgaand overzicht van ML-onderwerpen, inclusief werken met realtime gegevens, het ontwikkelen van begeleide en onbegeleide leeralgoritmen, regressie, classificatie en tijdreeksmodellering. In deze certificeringstraining voor machine learning leer je hoe je Python kunt gebruiken om voorspellingen te doen op basis van gegevens. Na afronding van deze cursus Machine Learning met Python ontvang je een certificaat dat jouw vaardigheden als machine learning expert bevestigt.
Wat is inbegrepen?
Taal
De cursus en het lesmateriaal zijn in het Engels
Niveau
Beginners- tot gemiddeld niveau voor professionals
1 jaar toegang
5 uur aan videomateriaal
Studietijd
Minimaal aanbevolen studietijd: 30 uur
Praktijken
3 eindprojecten en een simulatietest
Geen examen
Er is geen examen voor deze cursus, maar de cursist ontvangt een certificaat van voltooiing van de training.
Overzicht
Vaardigheden:
- Leren met en zonder toezicht
- Lineaire en logistische regressie
- KMeans-clustering
- Beslisbomen
- Boosting- en baggingtechnieken
- Tijdreeksmodellering
- SVM met kernels
- Naïeve Bayes
- Randomforest-classificatoren
- Grondbeginselen van deep learning
Wat ga je leren?
Opfriscursus wiskunde
Gratis cursus 1
- Kansrekening en statistiek
- Coördinatenmeetkunde
- Lineaire algebra
- Eigenwaarden, eigenvectoren en eigendecompositie
- Inleiding tot de differentiaal- en integraalrekening
Essentiële statistiek voor data science
Gratis cursus 2
- Inleiding tot de statistiek
- De gegevens begrijpen
- Beschrijvende statistiek
- Datavisualisatie
- Waarschijnlijkheid
- Kansverdelingen
- Steekproeven en steekproeftechnieken
- Inferentiële statistiek
- Toepassing van inferentiële statistiek
- Verband tussen variabelen
- Toepassing van statistiek in het bedrijfsleven
- Begeleid oefenen
Inleiding
Les 01
Begin dit programma door je te verdiepen in de cursusonderdelen en de onderwerpen die aan bod komen. Zo ben je goed voorbereid op de komende sessies.
Inleiding tot machine learning
Les 02
De cursus behandelt de basisconcepten van machine learning, waaronder de definitie en de verschillende vormen ervan. Ook wordt dieper ingegaan op de machinelearningpipeline, MLOps en AutoML, met inzicht in het op grote schaal in productie nemen van machinelearningmodellen. Daarnaast maken studenten kennis met de belangrijkste Python-pakketten voor machinelearningtaken, zodat ze het robuuste ecosysteem van Python kunnen benutten om machinelearningoplossingen te ontwikkelen.
Onderwerpen:
- Wat is machine learning?
- Verschillende soorten machine learning
- Machinelearning-pijplijn, MLOps en AutoML
- Inleiding tot Python-pakketten voor machine learning
Gesuperviseerd leren
Les 03
Het onderdeel over gesuperviseerd leren verkent de praktische toepassingen ervan in verschillende domeinen en gaat in op de relevantie en het belang ervan in praktijksituaties. Studenten voeren praktische opdrachten uit om gegevens voor te bereiden en in de juiste vorm te brengen voor taken op het gebied van gesuperviseerd leren. Daarna bespreken ze overfitting en underfitting. Daarnaast worden praktische oefeningen aangeboden om deze problemen te herkennen en te voorkomen, evenals inzichten in regularisatietechnieken om de modelprestaties te optimaliseren en overfitting te verminderen.
Onderwerpen:
- Gesuperviseerd leren
- Toepassingen van gesuperviseerd leren
- Overfitting en underfitting
- Regularisatie
Regressie en de toepassing ervan
Les 04
Dit onderdeel behandelt de basis van regressieanalyse, waaronder de definitie en verschillende typen, zoals lineaire, logistische en polynomiale regressie, ridge-regressie en lasso-regressie. Tijdens de besprekingen staan de cruciale aannames van lineaire regressie centraal, en met praktische oefeningen doen deelnemers ervaring op met het opstellen van lineaire regressiemodellen. Deelnemers verkennen ook gegevens met technieken zoals SMOTE-oversampling en leren regressiemodellen voor te bereiden, te bouwen en te evalueren om regressieanalyse goed onder de knie te krijgen.
Onderwerpen:
- Wat is regressie?
- Soorten regressie
- Lineaire regressie
- Essentiële aannames voor lineaire regressie
- Logistische regressie
- Oversampling met SMOTE
- Polynomiale regressie
- Ridgeregressie
- Lasso-regressie
Classificatie en toepassingen
Les 05
Dit onderdeel behandelt classificatiealgoritmen en hun definities, typen en toepassingen, evenals de keuze van prestatieparameters. Deelnemers verdiepen zich via discussies en begeleide oefeningen in verschillende classificatietechnieken, zoals Naive Bayes, stochastische gradiëntafdaling, K-naaste buren, beslisbomen, Random Forest, Boruta en supportvectormachines. Ook belangrijke concepten zoals Cohens kappa komen aan bod, gevolgd door kennistoetsen om het begrip te versterken.
Onderwerpen:
- Wat zijn classificatiealgoritmen?
- Verschillende soorten classificatie
- Soorten toepassingen en keuze van prestatieparameters
- Naïeve Bayes
- Stochastische gradiëntafdaling
- Populaties van k naaste buren
- Beslisboom Random Forest
- Boruta
- Supportvectormachine
- Cohens mantel
Algoritmen voor ongesuperviseerd leren
Les 06
In dit onderdeel maken studenten kennis met algoritmen voor leren zonder toezicht, waarbij de verschillende soorten, toepassingen en prestatieparameters aan bod komen. Deelnemers voeren praktische opdrachten uit, zoals het visualiseren van resultaten en het toepassen van technieken als hiërarchische clustering, K-means-clustering en het K-medoids-algoritme. Daarnaast verkennen ze methoden voor anomaliedetectie en technieken voor dimensionaliteitsreductie, zoals hoofdcomponentenanalyse (PCA), singulierewaardenontbinding en onafhankelijkecomponentenanalyse. Aan de hand van begeleide oefeningen worden praktische toepassingen van deze algoritmen gedemonstreerd, waardoor studenten de concepten van leren zonder toezicht beter leren begrijpen.
Behandelde onderwerpen:
- Algoritmen voor ongesuperviseerd leren
- Verschillende soorten algoritmen voor leren zonder toezicht
- Wanneer gebruik je algoritmen voor ongesuperviseerd leren?
- Prestatieparameters
- Soorten clustering
- K-means-clustering
- K-medoïdenalgoritme
- Uitschieters
- Detectie van uitschieters
- Hoofdcomponentenanalyse
- Correspondentieanalyse en meervoudige correspondentieanalyse (MCA)
- Singulierewaardenontbinding
- Onafhankelijke-componentenanalyse
- Gebalanceerde iteratieve reductie en clustering met behulp van hiërarchieën (BIRCH)
Ensembleleren
Les 07
Dit onderdeel behandelt classificatiealgoritmen en hun definities, typen en toepassingen, evenals de keuze van prestatiemaatstaven. Via discussies en begeleide oefeningen verdiepen deelnemers zich in verschillende classificatietechnieken, zoals Naive Bayes, Stochastic Gradient Descent, K-Nearest Neighbours, beslisbomen, Random Forest, Boruta en Support Vector Machines. Ook belangrijke concepten zoals Cohens kappa komen aan bod, gevolgd door kennistoetsen om het begrip te versterken.
Onderwerpen:
- Wat zijn classificatiealgoritmen?
- Verschillende soorten classificatie
- Soorten toepassingen en keuze van prestatieparameters
- Naïeve Bayes
- Stochastische gradiëntafdaling
- Populaties van K naaste buren
- Beslisboom Random Forest
- Boruta
- Supportvectormachine
- Cohens mantel
Aanbevelingssystemen
Les 08
Deze module biedt een uitgebreid overzicht van aanbevelingssystemen en behandelt de onderliggende principes en mechanismen. Deelnemers verdiepen zich in diverse toepassingen en voorbeelden van aanbevelingssystemen en krijgen inzicht in het ontwerp en de implementatie ervan. Aan de hand van praktische oefeningen passen deelnemers technieken voor collaboratieve filtering toe, waaronder geheugengebaseerde modellering, object- en gebruikersgebaseerde filtering en modelgebaseerde collaboratieve filtering. Daarnaast verkennen ze dimensionaliteitsreductie, matrixfactorisatiemethoden en nauwkeurigheidsmatrices binnen machine learning om de prestaties van aanbevelingssystemen te evalueren en te optimaliseren.
Onderwerpen:
- Hoe werken aanbevelingssystemen?
- Toepassingen van aanbevelingssystemen
- Voorbeelden van aanbevelingssystemen en hoe ze worden ontworpen ¨
- Een aanbevelingssysteem bouwen met PyTorch.
Industrieprojecten
Aan het einde van de cursus voer je twee projecten uit. Je past alles toe wat je hebt geleerd en doet praktijkervaring op met je nieuwe kennis.
- Project 1: Analyse van personeelsverloop - Ontwikkel machinelearningprogramma's om personeelsverloop te voorspellen, inclusief datakwaliteitscontroles, verkennende data-analyse (EDA), clustering enz., en stel op basis van waarschijnlijkheidsscores strategieën voor om medewerkers te behouden.
- Project 2: Segmentatie van nummers - Voer een verkennende data-analyse en een clusteranalyse uit om groepen nummers samen te stellen.
Welke vaardigheden leer je?
Na deze cursus machine learning met Python kun je:
Soorten ML
Verken de verschillende soorten machine learning en hun bijbehorende kenmerken.
Toetsbediening
Analyseer de machinelearning-pijplijn en krijg inzicht in de belangrijkste operationele processen voor machine learning (MLOps).
Gesuperviseerd leren
Meer leren over begeleid leren en de vele toepassingen ervan.
Pasvorm
Begrijp de concepten overfitting en underfitting en gebruik technieken om deze te detecteren en te voorkomen.
Regressie
Analyseer verschillende regressiemodellen en hun geschiktheid voor verschillende scenario's. Identificeer lineaire verbanden tussen variabelen en maak correlatiekaarten.
Algoritmen
Noem verschillende soorten classificatiealgoritmen en begrijp hun specifieke toepassingen.
Zonder toezicht
Beheers verschillende methoden voor ongesuperviseerd leren en weet wanneer je ze moet toepassen. Krijg diepgaand inzicht in verschillende clusteringtechnieken binnen ongesuperviseerd leren.
Modellering
Verken verschillende technieken voor ensemblemodellering, zoals bagging, boosting en stacking.
Vergelijken
Evalueer en vergelijk verschillende frameworks voor machine learning, waaronder TensorFlow en Keras.
PyTorch
Bouw een aanbevelingssysteem met PyTorch
Visualisatie
Visualisaties maken met Matplotlib, Seaborn, Plotly en Bokeh.
Voor wie is dit programma bedoeld?
Een vooraanstaand data-engineer bouwt en onderhoudt datastructuren en architecturen voor het binnenhalen, verwerken en beschikbaar stellen van data voor grootschalige, data-intensieve toepassingen. Het is een veelbelovende carrière voor zowel beginnende als ervaren professionals met een passie voor data, onder wie:
Datawetenschapper
Machinelearning-engineer
Ingenieur kunstmatige intelligentie
Business Intelligence-ontwikkelaar
Softwareontwikkelaar
Wetenschappelijk onderzoeker op het gebied van AI
Engineer natuurlijke taalverwerking
AI-productmanager
Geschiktheid
Geschiktheid
De certificeringscursus Machine Learning met Python is geschikt voor deelnemers op gemiddeld niveau, waaronder analyticsmanagers, businessanalisten, informatiearchitecten, ontwikkelaars die machinelearning-engineer of datawetenschapper willen worden, en afgestudeerden die een carrière in datawetenschap en machine learning ambiëren.
Vereisten
Deelnemers moeten beschikken over een bachelordiploma of een middelbareschooldiploma. Daarnaast is basiskennis van statistiek en wiskunde op hbo- of universitair niveau vereist. Ervaring met programmeren in Python is ook nuttig. Voordat je begint aan de certificeringstraining voor machine learning met Python, moet je de basisstof beheersen uit cursussen zoals Python voor data science, opfriscursussen wiskunde en essentiële statistiek voor data science.
Veelgestelde vragen
Heeft u een op maat gemaakte incompany- of groepstraining nodig?
Vraag een incompany-trainingsprogramma aan dat speciaal is afgestemd op uw team. Wij bieden flexibele maatwerkopties die aansluiten bij uw bedrijfsdoelen, evenals concurrerende groepstarieven voor grotere teams. Vul onderstaand formulier in en onze experts in bedrijfstrainingen ontwerpen de perfecte oplossing voor u.