Neem contact met ons op

Cursusaanbod

Supervised learning: classificatie en regressie

  • Machine Learning in Python: introductie tot de scikit-learn API
    • lineaire en logistische regressie
    • support vector machine
    • neurale netwerken
    • willekeurige bos (random forest)
  • Een end-to-end supervised learning-pipeline opzetten met scikit-learn
    • werken met databestanden
    • imputatie van ontbrekende waarden
    • omgaan met categorische variabelen
    • visualiseren van gegevens

Python-frameworks voor AI-toepassingen:

  • TensorFlow, Theano, Caffe en Keras
  • AI op schaal met Apache Spark: Mlib

Geavanceerde neurale netwerkarchitecturen

  • convolutionele neurale netwerken voor beeldanalyse
  • recurrente neurale netwerken voor tijdgestructureerde gegevens
  • de long short-term memory-cel

Unsupervised learning: clustering, anomaliedetectie

  • implementeren van principal component analysis (PCA) met scikit-learn
  • implementeren van autoencoders in Keras

Praktische voorbeelden van problemen die AI kan oplossen (hands-on oefeningen met Jupyter notebooks), bijv.

  • beeldanalyse
  • voorspellen van complexe financiële reeksen, zoals aandelenprijzen,
  • complex patroonherkenning
  • natuurlijke taalverwerking (NLP)
  • aanbevelingssystemen

Beperkingen van AI-methoden begrijpen: manieren van falen, kosten en veelvoorkomende moeilijkheden

  • overfitting
  • bias/variance trade-off
  • biases in observatiegegevens
  • neural network poisoning

Toegepast projectwerk (optioneel)

Vereisten

Er zijn geen specifieke vereisten om aan deze cursus deel te nemen.

 28 Uren

Aantal deelnemers


Prijs per deelnemer

Getuigenissen (2)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën