Uitlegbaarheid in diepe leer: De geheimen van zwarte-doosmodellen ontrafelen Training Cursus

Dit door een instructeur geleide live-traject in België (online of op locatie) is bedoeld voor professionals met een gevorderd niveau die hun kennis van XAI-technieken willen verdiepen, vooral ten aanzien van complexe AI-modellen.

Aan het einde van deze training zullen deelnemers in staat zijn om:

• De modernste XAI-technieken toe te passen op AI-modellen.
• Deep learning-modellen en hun beslissingen te interpreteren.
• Zowel model-onafhankelijke als model-specifieke technieken voor verklaring toe te passen.
• Uitdagingen op het gebied van transparantie in complexe AI-systemen aan te pakken.

In deze cursus wordt aandacht besteed aan kunstmatige intelligentie – met name machine learning en deep learning – binnen de automobielsector. Deelnemers leren welke technologieën er zijn en hoe ze mogelijk kunnen worden toegepast in verschillende contexten in een auto: van eenvoudige automatisering en beeldherkenning tot autonome besluitvorming.

Het begrijpen van de basisprincipes van kunstmatige intelligentie laat zien hoe deze technologie digitale strategieën, automatisering en besluitvorming binnen organisaties drastisch verandert. Deze cursus behandelt essentiële concepten zoals de geschiedenis van AI, methoden voor probleemoplossing, kennisrepresentatie, redenering onder onzekerheid en verschillende vormen van machine learning; daarnaast aandacht voor communicatie, waarneming en zelfstandige actie. U leert als manager of architect hoe u kansen op transformatie door AI kunt beoordelen, nieuwe technologische ontwikkelingen evalueren en praktische intelligente oplossingen integreren om de bedrijfsagiliteit te vergroten.

Kunstmatige neuronale netwerken (ANN's) zijn computationele modellen die worden gebruikt bij de ontwikkeling van kunstmatige intelligentiesystemen die in staat zijn tot het uitvoeren van ‘intelligente’ taken. Deze netwerken vinden veel toepassing in machine learning-toepassingen, die op hun beurt een vorm van kunstmatige intelligentie zijn. Diep leren is zelfs een onderdeel binnen machine learning.

In deze cursus 'Toegepaste AI: van de grond af aan ontwikkelen in Python' leren programmeurs en data-analisten fundamentele technieken om machine learning-oplossingen volledig zelf te bouwen met behulp van Python. Er komen de basisprincipes van supervisiede leer (classificatie en regressie), onsupervisiede leer (clustering en afwijkingendetectie) en geavanceerde neural netwerkarchitecturen aan bod. Daarnaast wordt ingegaan op beproefde methoden voor het gebruik van scikit-learn, Apache Spark MLlib en Jupyter Notebooks bij praktische AI-ontwikkeling. De cursus helpt professionals bij het implementeren van bruikbare machine learning-modellen, het evalueren van de beperkingen van algoritmen en het voltooien van toepassingsgerichte projecten die daadwerkelijke problemen oplossen.

Tijdens deze door een instructeur geleide, live-training in België (online of op locatie) krijgen deelnemers een introductie tot het gebied van patroonherkenning en machine learning. Er wordt aandacht besteed aan praktische toepassingen binnen statistiek, informatica, signaalverwerking, computervisie, data mining en bio-informatica.

Aan het einde van deze training zijn deelnemers in staat om:

• De belangrijkste statistische methoden toe te passen op patroonherkenning.
• Essentiële modellen zoals neurale netwerken en kernmethoden te gebruiken voor data-analyse.
• Gevorderde technieken toe te passen bij het oplossen van complexe problemen.
• De voorspellingsnauwkeurigheid te verbeteren door verschillende modellen te combineren.

Diep versterkt leren (Deep Reinforcement Learning, DRL) combineert de principes van versterkt leren met deep learning-architecturen. Dit stelt agenten in staat om beslissingen te nemen door te interageren met hun omgeving. Deze techniek vormt de basis voor veel moderne AI-voortgangen, zoals zelfrijdende voertuigen, robotbesturing, algoritmisch beleggen en adaptieve aanbevelingssystemen. DRL maakt het mogelijk dat een kunstmatige agent strategieën leert, beleidslijnen optimaliseert en zelfstandig beslissingen neemt op basis van proefondervindelijk leren via beloningsmechanismen.

Deze live-training onder begeleiding van een instructeur (online of ter plaatse) is bedoeld voor ontwikkelaars en datawetenschappers op middenniveau die de technieken van Diep versterkt leren willen toepassen om intelligente agenten te bouwen die zelfstandig kunnen beslissen in complexe omgevingen.

Na afloop van deze training zijn de deelnemers in staat tot:

• De theoretische basis en wiskundige principes van versterkt leren begrijpen.
• Belangrijke RL-algoritmen implementeren, waaronder Q-Learning, Policy Gradients en Actor-Critic-methoden.
• Diep versterkte leeragenten bouwen en trainen met behulp van TensorFlow of PyTorch.
• DRL toepassen in praktische situaties zoals spelletjes, robotica en optimalisatieproblemen.
• Trainingprestaties troubleshooten, visualiseren en optimaliseren met moderne hulpmiddelen.

Vorm van de cursus

• Interactieve lezingen en begeleide discussies.
• Praktische oefeningen en implementatievoorbeelden.
• Live-coderingdemonstraties en projectgerichte toepassingen.

Mogelijkheden tot aanpassing van de cursus

• Wilt u een aangepaste versie van deze training? Bijvoorbeeld met gebruik van PyTorch in plaats van TensorFlow? Neem dan contact met ons op om dit te regelen.

Deze cursus begint met het verstrekken van conceptuele kennis over neurale netwerken en algemene machine learning-algoritmen, evenals deep learning (algoritmen en toepassingen).

Het eerste deel (40%) van deze opleiding richt zich vooral op de basisprincipes en helpt u bij het kiezen van de juiste technologie: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

Het tweede deel (20%) introduceert Theano – een Python-bibliotheek die het eenvoudiger maakt om deep learning-modellen te ontwikkelen.

Het derde deel (40%) is in grote mate gebaseerd op TensorFlow: de API van Googles open source-softwarebibliotheek voor Deep Learning. Alle voorbeelden en praktische oefeningen zullen met TensorFlow worden uitgevoerd.

Doelgroep

Deze cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor hun deep learning-projecten.

Na afronding van deze cursus zullen de deelnemers:

• een goed begrip hebben van diepe neurale netwerken (DNN), CNN’s en RNN’s
• de structuur en implementatiemechanismen van TensorFlow bevatten
• in staat zijn om installatie-, productie-omgevings- en architectuurtaken uit te voeren
• codekwaliteit kunnen beoordelen, debuggen en bewaken
• geavanceerde productiemethoden kunnen toepassen zoals het trainen van modellen, het bouwen van grafieken en logging

Deze interactieve live-training onder begeleiding van een docent in België (online of op locatie) is bedoeld voor professionals met weinig voorkennis die de basisprincipes van verklaarbare kunstmatige intelligentie willen leren en het belang ervan bij het ontwikkelen van verantwoorde AI-systemen.

Na afronding van deze training zullen deelnemers in staat zijn om:

• De fundamentele concepten van verklaarbare kunstmatige intelligentie te begrijpen.
• Het belang van transparantie en interpretabiliteit in AI-modellen te onderkennen.
• Eenvoudige technieken te leren die helpen bij het verklaarbaar maken van AI-modellen.
• XAI-technieken toe te passen op eenvoudige machine learning-modellen.

Deze praktijkgerichte training onder leiding van een docent in België (online of op locatie) is bedoeld voor professionals met een middenniveau die XAI-technieken willen toepassen ter bevordering van eerlijkheid, transparantie en ethische AI-systemen.

Na het volgen van deze cursus zijn de deelnemers in staat om:

• De rol van XAI binnen ethische AI-systemen te begrijpen.
• XAI-technieken te implementeren voor het opsporen en verminderen van vooroordelen in AI-modellen.
• Transparantie te waarborgen binnen de besluitvormingsprocessen van AI-modellen.
• De ontwikkeling van AI in lijn te brengen met ethische en regelgevende normen.

Deze begeleide live-training in België (online of op locatie) is bedoeld voor professionals met een gemiddelde tot gevorderde kennis die transparante AI-systemen in praktijk willen brengen.

Aan het einde van deze training zullen de deelnemers het volgende kunnen:

• Het belang van transparantie in AI-modellen begrijpen.
• Geavanceerde XAI-technieken toepassen om complexe modellen te interpreteren.
• De transparantie van modellen verbeteren met behulp van SHAP, LIME en andere tools.
• Ethische aspecten en eerlijkheid in AI-modellen aanpakken.