Specialization Course Deep Learning - eLearning

Leer deep learning met AI/ML-tools zoals TensorFlow, Keras en PyTorch. Ontwikkel en optimaliseer neurale netwerken, CNN’s, RNN’s en meer in deze praktijkgerichte, uitgebreide cursus.

Deze uitgebreide cursus biedt de kennis en vaardigheden om deep learning-tools met behulp van AI/ML-frameworks effectief in te zetten. U verkent de fundamentele concepten en praktische toepassingen van deep learning en krijgt een duidelijk inzicht in de verschillen tussen deep learning en machine learning. De cursus behandelt een breed scala aan onderwerpen, waaronder neurale netwerken, voorwaartse en achterwaartse propagatie, TensorFlow 2, Keras, prestatieoptimalisatietechnieken, modelinterpretatie, Convolutional Neural Networks (CNN's), transfer learning, objectdetectie, Recurrent Neural Networks (RNN's), auto-encoders en het creëren van neurale netwerken in PyTorch.

Aan het einde van de cursus heb je een solide basis in de principes van deep learning en ben je in staat om effectief deep learning-modellen te bouwen en te optimaliseren met Keras en TensorFlow.

Doel

Doelgroep

• Software-engineers en -ontwikkelaars – Mensen die AI en deep learning willen integreren in hun projecten.
• Data scientists en analisten – Professionals die hun vaardigheden op het gebied van neurale netwerken en machine learning willen uitbreiden.
• AI/ML-enthousiastelingen – Mensen met een passie voor kunstmatige intelligentie die praktische toepassingen willen bouwen.
• Studenten en onderzoekers – Afgestudeerde of niet-afgestudeerde studenten in informatica, wiskunde of aanverwante vakgebieden.
• IT- en cloudprofessionals – Mensen die werkzaam zijn in cloud computing, DevOps of infrastructuur en die AI-modellen moeten begrijpen.
• Bedrijfs- en productmanagers – Professionals die AI-kennis nodig hebben om datagestuurde beslissingen te nemen en AI-aangedreven producten te ontwikkelen.
• Ondernemers en start-ups – Innovators die AI-aangedreven bedrijven willen opzetten of bestaande producten willen verbeteren met deep learning.

Vereisten:

Basiskennis van Python-programmeren, lineaire algebra, kansrekening en enkele basisbegrippen van machine learning worden sterk aanbevolen.

Leerresultaten

Leerresultaten

• Onderscheid tussen deep learning en machine learning en begrijp hun respectievelijke toepassingen.
• Krijg een grondig begrip van verschillende soorten neurale netwerken.
• Beheers de concepten van voorwaartse propagatie en achterwaartse propagatie in Deep Neural Networks (DNN's).
• Krijg inzicht in modelleringstechnieken en prestatieverbetering in deep learning.
• Begrijp de principes van hyperparameter-tuning en modelinterpretatie.
• Leer essentiële technieken zoals dropout en early stopping en pas deze effectief toe.
• Ontwikkel expertise in convolutionele neurale netwerken (CNN's) en objectdetectie.
• Verkrijg een gedegen begrip van recurrente neurale netwerken (RNN's).
• Raak vertrouwd met PyTorch en leer hoe je neurale netwerken kunt maken met behulp van dit framework.

Curriculum

Behandelde onderwerpen:

Inleiding tot deep learning

• Korte geschiedenis van AI
• Motivatie voor deep learning
• Verschil tussen deep learning en machine learning
• Succesverhalen van deep learning
• Toepassingen van deep learning
• Uitdagingen van deep learning
• Deep learning-frameworks
• Volledige cyclus van een deep learning-project
• Neurale netwerken en soorten neurale netwerken

Perceptron

• Voorwaartse propagatie in perceptron
• Rol van activeringsfuncties
• Achterwaartse propagatie in perceptron
• Gradiëntdalingalgoritme
• Beperkingen van perceptron

Diepe neurale netwerken

• Wat is DNN en waarom is het nuttig?
• Verliesfuncties
• Voorwaartse propagatie in DNN
• Achterwaartse propagatie in DNN
• Inleiding tot TensorFlow
• DNN trainen met TensorFlow
• Inleiding tot TensorFlow Playground

TensorFlow

• Inleiding tot tensoren
• Sequentiële API's in TensorFlow
• Keras: een inleiding

Modeloptimalisatie en prestatieverbetering

• Inleiding tot optimalisatiealgoritmen
• Inleiding tot SGD en implementatie
• Inleiding tot momentum en implementatie
• Inleiding tot Adagrad en implementatie
• Inleiding tot Adadelta en implementatie
• Inleiding tot RMSProp en implementatie
• Inleiding tot Adam en implementatie
• Implementatie van batch-normalisatie
• Exploderende en verdwijnende gradiënten
• Inleiding tot hyperparameter-afstemming en implementatie
• Interpreteerbaarheid van modellen
• Dropout en vroegtijdig stoppen

Convolutionele neurale netwerken

• Wat is CNN
• CNN-architectuur
• ResNet 50
• Werking van CNN
• Pooling in CNN
• Beeldclassificatie met CNN
• Inleiding tot Tensorboard

Transfer learning

• Inleiding tot transfer learning
• Hoe vooraf getrainde modellen selecteren
• Voordelen van transfer learning

Objectdetectie

• Objectdetectie voor meerdere objecten
• Hoogwaardig overzicht van het YOLO V3-algoritme
• Datasetvoorbereiding voor het YOLO V3-algoritme
• Objectmisleiding met YOLO V3
• Inleiding tot TF Lite
• TF-model converteren naar TF Lite-model

Recurrente neurale netwerken (RNN's)

• Wat is sequentiemodellering
• Inleiding tot RNN
• Architectuur van RNN
• Voorwaartse en achterwaartse propagatie in RNN
• Inleiding tot hybride modellering
• Architectuur van een hybride CNN- en RNN-model

Transformermodellen voor natuurlijke taalverwerking (NLP)

• Overzicht van transformatormodellen
• Architectuur van het transformatormodel
• Inleiding tot het BERT-model

Aan de slag met auto-encoders

• Inleiding tot onbegeleid deep learning
• Wat zijn auto-encoders
• Architectuur van auto-encoders
• Gebruiksscenario's en training van auto-encoders

PyTorch

• Aan de slag met PyTorch
• Een neuraal netwerk maken in Pytorch

Belangrijkste kenmerken

Belangrijkste kenmerken

• Cursus en materiaal in het Engels
• Gemiddeld - gevorderd niveau
• 1 jaar toegang tot het platform en de opnames van de lessen
• 6 uur videolessen
• 40 uur online live lessen
• 50 uur studietijd aanbevolen
• 3 projecten aan het einde van de cursus
• Virtueel lab inclusief om te oefenen
• 1 beoordelingstest
• Geen examen, maar certificaat van voltooiing inclusief

Heeft het missen van een live les invloed op mijn vermogen om de cursus af te ronden?

Nee, het missen van een live les heeft geen invloed op je mogelijkheid om de cursus af te ronden. Met onze 'flexi-learn'-functie kun je de opgenomen sessie van elke gemiste les op een voor jou geschikt moment bekijken. Zo blijf je op de hoogte van de cursusinhoud en voldoe je aan de vereisten om verder te gaan en je certificaat te behalen. Ga gewoon naar het leerplatform, selecteer de gemiste les en bekijk de opname om je aanwezigheid te registreren.