Cursusaanbod
Inleiding tot Machine Learning in bedrijfscontext
- Machine learning als essentieel onderdeel van Artificial Intelligence
- Verschillende typen machine learning: supervised, unsupervised, reinforcement en semi-supervised
- Vaak gebruikte algoritmen binnen bedrijfsmatige toepassingen
- Uitdagingen, risico’s en potentiële toepassingsgebieden van machine learning in AI
- Overfitting en het evenwicht tussen bias en variantie
Technieken en werkflow binnen Machine Learning
- De levenscyclus van machine learning: van probleemdefinitie tot implementatie
- Classificatie, regressie, clustering en anomaliedetectie
- Wanneer gebruik je supervised- versus unsupervised-learning?
- Het begrijpen van reinforcement learning in context van bedrijfsautomatisering
- Belangrijke aspecten bij besluitvorming gebaseerd op machine learning
Gegevensvoorbereiding en feature engineering
- Het laden, schoonmaken en omzetten van gegevens
- Feature engineering: codering, transformatie en creëren van nieuwe kenmerken
- Skalen van kenmerken: normalisatie en standaardisatie
- Verminderen van dimensionaliteit: PCA en selectie van relevante variabelen
- Exploratieve gegevensanalyse en visuele weergave voor bedrijfsdoeleinden
Neurale netwerken en Deep Learning
- Inleiding tot neurale netwerken en hun toepassingen in de zakelijke sector
- Structuur: invoer-, verborgen- en uitvoerlagen
- Backpropagation en activatiefuncties
- Neurale netwerken voor classificatie- en regressietaken
- Het inzetten van neurale netwerken bij voorspellingsanalyses en patroonherkenning
Verkoopprognoses en Predictive Analytics
- Verschillen tussen time-seriesvoorspelling en regressiegebaseerde methodes
- Decompositie van tijdsreeksgegevens: trend, seizoeninvloeden en cycli
- Toe te passen technieken: lineaire regressie, exponentiële afvlakking en ARIMA
- Neurale netwerken bij niet-lineaire voorspellingsmodellen
- Casestudy: Voorspellen van maandelijkse verkoopcijfers
Praktische casestudy’s uit de bedrijfswereld
- Geavanceerde feature engineering ter verbetering van voorspellingsnauwkeurigheid via lineaire regressie
- Segmentatieanalyses met clustering en zelforganiserende kaarten
- Marktsegmentanalyse en associatieregelmineralisatie voor retailinformatie
- Classificatie van klanten die risico lopen om te stoppen: toepassingen van logistische regressie, besluitbomen, XGBoost en SVM
Samenvatting en vervolgstappen
Vereisten
- Basiskennis van de principes van machine learning en hun toepassingen
- Ervaring met werken in spreadsheets of data-analysehulpmiddelen
- Kennis van Python of een andere programmeertaal is wenselijk, maar niet verplicht
- Interesse in het toepassen van machine learning op praktische bedrijfs- en voorspellingsproblemen
Doelgroep
- Bedrijfsanalysten
- AI-professionals
- Managers en besluitvormers die gebruikmaken van data-analyse
Getuigenissen (2)
Het helpen van mensen die AI nog nooit hebben gebruikt om herhaling bij het maken van prompts onder de knie te krijgen, en het aanmoedigen van mensen die AI al wel gebruiken om na te denken over andere methoden om ermee om te gaan.
Matthew Gay - Tarsus Pharmaceuticals
Cursus - Artificial Intelligence (AI) Overview
Automatisch vertaald
Werken op basis van eerste principes op een gefocuste manier, en overgaan naar het toepassen van casestudies binnen dezelfde dag
Maggie Webb - Department of Jobs, Regions, and Precincts
Cursus - Artificial Neural Networks, Machine Learning, Deep Thinking
Automatisch vertaald
