Dé kennispartner van de digitale transformatie

Learning Journey Machine Learning Engineer

In deze Learning Journey wordt je meegenomen in de wondere wereld van AI. Je leert de basisfundamenten van Machine Learning en leert tevens geavanceerde technieken toe te passen op je eigen data.

Leerdoelen

  • Fundamenten van Machine Learning begrijpen
  • Begrijpen je hoe je op een verantwoord manier A.I. inzet
  • Resources aanmaken in Azure om gebruik te maken van Machine Learning
  • Data inladen voor gebruik, een model kiezen en parameters instellen
  • Een machine learning model evalueren
  • Een training en implementatie pipeline maken
  • Je eigen oplossing implementeren om voorspellingen te doen
  • Bekend raken met de beeldherkenning mogelijkheden van Azure ML
  • Een eigen beeldherkenning model trainen op eigen data
Eerstvolgende datum:
Prijs:
Locatie:
Tijd:
17 januari 2022 tot 19 januari 2022
€1.665,- excl. BTW
Den Haag
3 dagen van 10:00 tot 17:00

Omschrijving van deze Learning Journey

In de 3-daagse Masterclass Machine Learning leer je hoe je Machine Learning modellen kunt maken voor verschillende types data. Je gaat aan de slag met onder andere tijdseries data, label data, numerieke waardes, afbeeldingen en teksten. Zo krijg je een breed beeld van alle verschillende vraagstukken die je met Machine Learning zou kunnen oplossen. Het is voor de effectiviteit van Machine Learning belangrijk dat je het model kiest dat het beste bij jouw data past. Daarom komen in de masterclass verschillende modellen aan bod zoals; Gaussian modellen, regressie modellen, Deep Learning modellen, clustering modellen en dimensiereductie modellen. Op deze manier heb je helder en duidelijk beeld wat er mogelijk is met Machine Learning.

Programma van deze Learning Journey

In de Masterclass Machine Learning van de School of Data Science komen veel verschillende Machine Learning technieken en Machine Learning tools voorbij. Deze variatie aan technieken biedt jou de handvatten om na deze opleiding met een grote diversiteit aan Machine Learning vraagstukken uit de voeten te kunnen te kunnen.

Wiskundige concepten
Hoe je het ook went of keert, uiteindelijk is Machine Learning toegepaste wiskunde. Daarom behandelen we de wiskundige concepten die je nodig hebt voor deze masterclass.

  • Precision, recall, AUC en ROC: Dit zijn drie maatstaven om de kwaliteit van je model uit te drukken
  • Distributies: Hoe de data is verdeeld
  • Gradiënten en Optimalisatie: Hoe je een model kunt aanpassen om het beter te laten werken

Data preprocessing
Meestal sluit je verzameling data niet gelijk aan op je gekozen Machine Learning model. Er kunnen waardes missen of foute data tussen zitten. Voordat de data ingevoerd kan worden, is daarom meestal data preprocessing nodig. In de Machine Learning Masterclass maak je daarom kennis met data preprocessing door schaling, filtering en data reparaties uit te voeren.

Python tools
Python is rijk aan Data Science tools. Zo heb je Numpy, bedoeld voor wiskundige berekeningen, Pandas voor data bewerken, Seaborn voor mooie visualisaties, Scikit-learn voor vele Machine Learning tools en modellen, en Tensorflow en Keras voor Deep Learning. In de Masterclass Machine Learning leer je deze verschillende Python Data Science tools.

Classificatie
Een veelgebruikte toepassing van Machine Learning is het voorspellen tot welke groep een klant, patiënt, machine, product of andere eenheid behoort. Voor deze toepassing zijn dan ook veel modellen gebruiksklaar, maar elk model heeft zijn specialiteit. Daarom maak je tijdens de Masterclass Machine Learning kennis met een veelzijdige set aan clustering modellen. Hieronder vallen onder andere: Logistische regressie, Decision tree, K nearest neighbors en Deep Learning.

Clustering
Om een Machine Learning model effectieve beslissingen te laten nemen, is het handig om de data eerst van een label te voorzien. Dit doe je door in je data-verzameling clusters aan te maken. In onze cursus Machine Learning ga je aan de slag met technieken als K mean en Gaussian models. Deze Machine Learning technieken maken gebruik van wiskundige principes om de data van elkaar te scheiden en te clusteren. Op voorhand labels invoeren is niet nodig.

Dimensie reductie
Een data-verzameling kan veel verschillende parameters bevatten. Dat maakt het soms complex voor Machine Learning. Dit los je op door het aantal parameters slim te reduceren. In deze cursus Machine Learning maak je kennis met dimensie reductie-technieken als PCA, LDA, tSNE en UMAP. Elke techniek heeft zijn eigen werkwijze.

Regressie
Onder de verschillende Machine Learning technieken is het voortzetten van een trend een techniek die je in huis wilt hebben. In de cursus Machine Learning leer je deze techniek aan de hand van lineaire regressie.

Natural Language Processing
De Machine Learning cursus besteedt ook aandacht aan het analyseren van complexe data types. Tekst data is daar een interessant voorbeeld van. Je gaat Machine Learning modellen maken voor Natural Language Processing met technieken als bag of words, word embedding en Deep Learning.

Image processing
Voor beeldanalyse zijn al veel Machine Learning technieken beschikbaar. In onze Machine Learning cursus maak je kennis met het Deep Convolutional Network. Aan de hand van deze Machine Learning techniek voor image processing leer je beelden te classificeren.

Deep Learning
De term ‘Deep Learning’ ben je in de cursusinformatie nu al een paar keer tegen gekomen. Dit laat zien dat Deep Learning een breed inzetbare techniek is binnen Machine Learning. Je kunt er dan ook de meest complexe modellen mee tackelen. Daarom hebben we in onze Machine Learning opleiding veel tijd gereserveerd voor Deep Learning.

Leer Methodes
Een Machine Learning model trainen kun je doen aan de hand van verschillende leermethodes. In de cursus maak je kennis met Supervised en Unsupervised Learning en de verschillen tussen deze twee leermethodes. Daarnaast verdiep je je in de wat exotischere Reinforcement Learning modellen, zoals Q Learning en Deep Q Learning.

Model validatie en tuning technieken
Om tot een goed Machine Learning model te komen, is aandacht voor train -, test – en validatie data onontbeerlijk. Daarnaast zijn je modelkeuze en hoe je het meeste uit je gekozen model haalt, belangrijke aandachtspunten. In deze Machine Learning cursus verdiep je je in deze materie aan de hand van Hyperparameters tuning, model selectie en K-fold validation.

Doelgroep

Deze training is voor iedereen die;

  • AI en Machine Learning in wil zetten zonder uitgebreid te leren programmeren
  • Wanneer je veel met data werkt in bijvoorbeeld Power BI of Excel en hierin wil doorontwikkelen
  • Wanneer je AI en Machine Learning in wil zetten binnen je organisatie op het gebied van bijvoorbeeld beeldherkenning of om voorspellingen te kunnen doen

Deze training is ook als beschikbaar als incompany training

Laat je gegevens achter en wij nemen zo spoedig mogelijk contact met je op.

Offerte aanvragen

Interesse in deze training?

Laat je gegevens achter en wij nemen zo spoedig mogelijk contact op.

Data & tijd Prijs Locatie
17 januari 2022Prijs: €1.665,- excl. BTWLocatie: Den HaagInschrijven
21 maart 2022Prijs: €1.665,- excl. BTWLocatie: Den HaagInschrijven
21 maart 2022Prijs: €1.665,- excl. BTWLocatie: Den HaagInschrijven
16 mei 2022Prijs: €1.665,- excl. BTWLocatie: Den HaagInschrijven
25 juli 2022Prijs: €1.665,- excl. BTWLocatie: Den HaagInschrijven

Meer informatie over deze of een andere training?

Laat je gegevens achter en wij nemen zo spoedig mogelijk contact met je op.