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 Bedrijven
- Machine learning als kerncomponent van kunstmatige intelligentie
- Typen machine learning: supervised, unsupervised, reinforcement, semi-supervised
- Veelvoorkomende ML-algoritmen gebruikt in zakelijke toepassingen
- Uitdagingen, risico's en potentiële toepassingen van ML in AI
- Overfitting en de bias-variance tradeoff
Machine Learning Technieken en Workflow
- Het Machine Learning levenscyclus: probleem tot implementatie
- Classificatie, regressie, clustering, anomaly detection
- Wanneer gebruik maken van supervised vs unsupervised learning
- Begrip van reinforcement learning in bedrijfsautomatisering
- Overwegingen bij ML-gestuurd besluitvorming
Data Preprocessing en Feature Engineering
- Datapreparatie: laden, schoonmaken, transformeren
- Feature engineering: coderen, transformeren, creëren
- Feature scaling: normalisatie, standaardisatie
- Dimensionaliteit reductie: PCA, variabelenselectie
- Exploratieve data-analyse en bedrijfsgegevensvisualisatie
Neural Networks en Deep Learning
- Inleiding tot neural networks en hun gebruik in bedrijven
- Structuur: input, verborgen en output layers
- Backpropagation en activatiefuncties
- Neural networks voor classificatie en regressie
- Gebruik van neural networks voor voorspellingen en patroonherkenning
Sales Forecasting en Predictive Analytics
- Time series vs regressie-gebaseerde voorspellingen
- Time series ontleden: trend, seizoensgebondenheid, cycli
- Technieken: lineaire regressie, exponentiële gladstrijding, ARIMA
- Neural networks voor niet-lineaire voorspellingen
- Casusstudie: Voorspellen van maandelijkse verkoopvolume
Casusstudies in Zakelijke Toepassingen
- Geavanceerde feature engineering voor verbeterde voorspelling met behulp van lineaire regressie
- Segmentatie-analyse met behulp van clustering en zelforganiserende kaarten
- Market basket analyse en association rule mining voor inzichten in de retail
- Klantdefault classificatie met behulp van logistische regressie, beslissingsbomen, XGBoost, SVM
Samenvatting en Volgende Stappen
Vereisten
- Basisbegrip van de principes van machine learning en hun toepassingen
- Ervaring met werken in spreadsheetomgevingen of data-analysehulpmiddelen
- Enige kennis van Python of een andere programmeertaal is handig maar niet verplicht
- Interesse in het toepassen van machine learning op echte bedrijfs- en voorspellingproblemen
Publiek
- Bedrijfsanalisten
- AI-professionals
- Data-gedreven beslissers en managers
21 Uren
Getuigenissen (2)
De ML-ecosysteem omvat niet alleen MLFlow maar ook Optuna, hyperops, docker en docker-compose.
Guillaume GAUTIER - OLEA MEDICAL
Cursus - MLflow
Automatisch vertaald
Ik heb genoten van het meedoen aan de Kubeflow training, die op afstand werd gehouden. Deze training stelde me in staat om mijn kennis van AWS-diensten, K8s en alle DevOps-tools rondom Kubeflow te versterken, wat de noodzakelijke basis is om het onderwerp adequaat aan te pakken. Ik wil Malawski Marcin bedanken voor zijn geduld en professionalisme tijdens de training en het advies over beste praktijken. Malawski benadert het onderwerp vanuit verschillende invalswinkels, verschillende implementatiegereedschappen Ansible, EKS kubectl, Terraform. Nu ben ik definitief overtuigd dat ik in het juiste toepassingsgebied ben.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Cursus - Kubeflow
Automatisch vertaald
