Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
Cursusaanbod
Inleiding tot Machine Learning in Business
- Machine learning als een kerncomponent van kunstmatige intelligentie
- Soorten machine learning: gesuperviseerd, ongesuperviseerd, versterkt, half-gesuperviseerd
- Veelvoorkomende ML-algoritmen gebruikt in bedrijfsapplicaties
- Uitdagingen, risico's en potentiële toepassingen van ML in AI
- Overfitting en de bias-variance tradeoff
Machine Learning Technieken en Workflow
- Het Machine Learning leven cyclus: probleem tot implementatie
- Classificatie, regressie, clustering, anomalie detectie
- Wanneer gesuperviseerd versus ongesuperviseerd leren te gebruiken
- Versterkt leren in bedrijfsautomatisering begrijpen
- Overwegingen bij ML-gestuurde besluitvorming
Data voorbereiding en feature engineering
- Data voorbereiding: laden, schoonmaken, transformeren
- Feature engineering: codering, transformatie, creatie
- Feature schalen: normalisatie, standaardisatie
- Dimensionaliteitsreductie: PCA, variabelenselectie
- Exploratoire data analyse en bedrijfsdata visualisatie
Neural Networks en Deep Learning
- Inleiding tot neurale netwerken en hun gebruik in bedrijven
- Structuur: invoer, verborgen en uitvoer lagen
- Backpropagation en activatiefuncties
- Neurale netwerken voor classificatie en regressie
- Gebruik van neurale netwerken voor voorspelling en patroonherkenning
Verkoop Forecasting en Predictive Analytics
- Tijdsreeksen versus regressie gebaseerde voorspelling
- Tijdsreeksen ontleden: trend, seizoensgebondenheid, cycli
- Technieken: lineaire regressie, exponentiële gladstrijding, ARIMA
- Neurale netwerken voor niet-lineaire voorspelling
- Casestudie: Forecasting maandelijkse verkoopvolume
Casestudies in Business toepassingen
- Geavanceerde feature engineering voor verbeterde voorspelling met behulp van lineaire regressie
- Segmentatieanalyse met behulp van clustering en zelf-organiserende kaarten
- Market basket analyse en associatieregelmijnen voor retail inzichten
- Classificatie van klantdefaulters met behulp van logistische regressie, beslissingsbomen, XGBoost, SVM
Samenvatting en volgende stappen
Vereisten
- Basisbegrip van de principes van machine learning en hun toepassingen
- Vertrouwen met werken in spreadsheetomgevingen of data-analyse-instrumenten
- Enige ervaring met Python of een andere programmeertaal is handig maar niet verplicht
- Interesse in het toepassen van machine learning op praktische bedrijfs- en voorspellingproblemen
Publiek
- Business analytici
- AI-professionals
- Data-gedreven beslissers en managers
21 Uren
Testimonials (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Cursus - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
