Machine learning training

Deze training is iets voor jou als:

• Basiskennis van Python is vereiste voorkennis voor deze training.
• Je hebt al ervaring met programmeren en bent op zoek naar hulpmiddelen om toekomstige trends beter te voorspellen en om verborgen inzichten te ontsluiten.
• Je wilt besluiten laten nemen door algoritmes en deze zelf kunnen ontwikkelen.
• Je in een omgeving werkt met een diversiteit aan complexe databronnen en gegevens waarbij het voor een mens door de grote datavolumes niet gemakkelijk is om relaties tussen de verschillende databronnen te kwantificeren.

Benodigde voorkennis

Het is een vereiste dat je basisvaardigheden hebt in Python of een vergelijkbare programmeertaal, we gaan er dus vanuit dat je al eerder geprogrammeerd hebt. Verder helpt het als je basiskennis van wiskunde hebt en ervaring hebt met databronnen.

Heb je geen ervaring in Python? Zoek dan op Python cursus voor data science en volg onze basistraining die perfect klaarstoomt voor deze machine learning training.

Dag 1

Machine learning introductie

Je maakt kennis met machine learning en leert waarom het zo in opkomst is en waarvoor je het kunt gebruiken. We leggen je uit wat supervised learning, unsupervised learning en reinforcement learning is, welke verschillende soorten machine learning algoritmes hier onderdeel van zijn en tonen je welk algoritme je wanneer toepast. Hierna leer je welke stappen je standaard doorloopt om een machine learning model op te bouwen.

Classificatie (theorie en praktijkcase)

Met classificatie kun je voorspellen of iets tot een bepaalde groep of categorie behoort, bijvoorbeeld of een e-mail wel of geen spambericht is. Je leert vanuit een high level wiskundige uitleg wat classificatie is en waarvoor je het toe kunt passen. We laten je meerdere praktijkvoorbeelden zien en tonen je de Python packages die je er het beste voor kunt gebruiken.

Regressie (theorie en praktijkcase)

Met regressie kun je numerieke waarden voorspellen, bijvoorbeeld de prijs van een huis gebaseerd op meerdere eigenschappen van het huis. Je leert vanuit een high level wiskundige uitleg wat regressie is en waarvoor je het toe kunt passen. We laten je ook zien welke Python packages er specifiek geschikt zijn voor regressie.

Dag 2

Modellen verbeteren en in gebruik nemen

Er zijn verschillende manieren om de prestatie van een model te meten, je leert welke dit zijn en wanneer je wat toepast. We kijken hierbij bijvoorbeeld naar een ROC curve, AUC en een confusion matrix. Met deze kennis gaan we terug naar je eerder gemaakte modellen en laten we zien wat het effect is van diverse verbetering met behulp van feature engineering en hyperparameter tuning.

Een model in productie brengen

Een model voegt pas echt waarde toe als het consequent wordt toegepast op nieuwe data. Denk hierbij bijvoorbeeld aan een voorspelling die automatisch wordt gegenereerd wanneer er nieuwe data in een database verschijnt. Je leert vanuit een praktijkvoorbeeld hoe je hier invulling aan kunt geven en we geven. Nieuwe gegevens kunnen tot een nieuwe situatie leiden waardoor de prestaties van je model mettertijd achteruit gaan. Je leert hoe je hier rekening mee kunt houden en hoe je dit voorkomt.

Eindopdracht