Cursusaanbod

Begeleid leren: classificatie en regressie

  • Machine Learning in Python: inleiding tot de scikit-learn API
    • Lineaire en logistische regressie
    • Ondersteuning vectormachine
    • Neurale netwerken
    • willekeurig bos
  • Een end-to-end pijplijn voor begeleid leren opzetten met behulp van scikit-learn
    • Werken met gegevensbestanden
    • Toerekening van ontbrekende waarden
    • Omgaan met categorische variabelen
    • Visualiseren van data

Python kaders voor AI-toepassingen:

  • TensorFlow, Theano, Caffe en Keras
  • AI op schaal met Apache Spark: Mlib

Geavanceerde neurale netwerkarchitecturen

  • Convolutionele neurale netwerken voor beeldanalyse
  • Terugkerende neurale netwerken voor tijdgestructureerde gegevens
  • De cel in het lange kortetermijngeheugen

Leren zonder toezicht: clustering, detectie van anomalieën

  • Implementatie van hoofdcomponentenanalyse met Scikit-Learn
  • Auto-encoders implementeren in Keras

Praktische voorbeelden van problemen die AI kan oplossen (hands-on oefeningen met behulp van Jupyter-notebooks), bijv. 

  • Analyse van afbeeldingen
  • het voorspellen van complexe financiële reeksen, zoals aandelenkoersen,
  • Complexe patroonherkenning
  • Natuurlijke taalverwerking
  • Aanbevelingssystemen

Begrijp de beperkingen van AI-methoden: faalwijzen, kosten en veelvoorkomende problemen

  • Overmontage
  • Afweging tussen bias en variantie
  • Vooroordelen in observationele gegevens
  • vergiftiging van neurale netwerken

Toegepast projectwerk (optioneel)

Vereisten

Er zijn geen specifieke vereisten nodig om deze cursus te volgen.

 28 Uren

Aantal deelnemers


Prijs Per Deelnemer

Testimonials (2)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën