Cursusaanbod

Inleiding en omgeving instellen

  • Wat is AutoML en waarom het belangrijk is
  • Python- en R-omgevingen instellen
  • Op afstand werken en cloud-omgevingen configureren

AutoML-functies verkennen

  • Kerncapaciteiten van AutoML-frameworks
  • Hyperparameter optimalisatie en zoekstrategieën
  • AutoML-uitvoeringen en logboeken interpreteren

Hoe AutoML algoritmen selecteert

  • Gradient Boosting Machines (GBMs), Random Forests, GLMs
  • Neurale netwerken en diepe leerbackends
  • Afwegingen: nauwkeurigheid vs. interpreteerbaarheid vs. kosten

Data voorbereiding en preprocessing

  • Werken met numerieke en categoriale data
  • Feature engineering en coderingstrategieën
  • Opsporen van ontbrekende waarden en data-ongelijkheid

AutoML voor verschillende datatypen

  • Tabulaire data (H2O AutoML, auto-sklearn, TPOT)
  • Tijdreeksdata (voorspelling en sequentiële modellen)
  • Tekst en NLP-taakjes (classificatie, sentimentanalyse)
  • Afbeeldingsclassificatie en computer vision (Auto-Keras, TensorFlow, PyTorch)

Model-implementatie en monitoring

  • AutoML-modellen exporteren en implementeren
  • Pijplijnen bouwen voor real-time voorspellingen
  • Modeldrift controleren en heropvoedingsstrategieën

Ensembling en geavanceerde onderwerpen

  • AutoML-modellen stapelen en mengen
  • Privacy- en nalevingsoverwegingen
  • Kostenoptimalisatie voor grootschalige AutoML

Problemen oplossen en cases

  • Veelvoorkomende fouten en hoe je ze kunt oplossen
  • AutoML-modelprestaties interpreteren
  • Cases van industrieel gebruik

Samenvatting en volgende stappen

Vereisten

  • Ervaring met machine learning-algoritmen
  • Programmeringservaring met Python of R

Publiek

  • Data-analisten
  • Datawetenschappers
  • Data-engineers
  • Ontwikkelaars
 14 Uren

Aantal deelnemers


Prijs Per Deelnemer

Voorlopige Aankomende Cursussen

Gerelateerde categorieën