Machine Learning Python

In deze cursus wordt u bekend gemaakt met de belangrijkste terminologie binnen ML en leert u zelf supervised en unsupervised modellen te trainen met behulp van de Python-distributie Anaconda.

De cursist leert te werken met essentiële Python-libraries voor ML, zoals Scikit-Learn en Jupyter Notebook. Deze cursus is bedoeld voor mensen die reeds ervaring hebben met programmeren in Python, maar nog niet eerder iets met ML hebben gedaan. Allereerst leert u Anaconda te installeren en op te zetten op uw computer. Daarna gaat u aan de slag met Jupyter Notebook en leert u de andere Python-libraries (NumPy, SciPy, matplotlib en pandas) kennen. Vervolgens traint en test u een eerste model om uw kennis in de praktijk te brengen. Deresultaten leert u weer te geven met de matplotlib-library. Op de tweede cursusdag zult u de belangrijkste typen supervised modellen, zoals classificatie en regressie, leren te implementeren. Ook gaan we in op het pre-processen (voorbereiden) van de data. Op de derde cursusdag gaat u aan deslag met clusteralgoritmes, een type unsupervised model. Tijdens de gehele cursus breidt u uw woordenschat op het gebied van ML uit, bijvoorbeeld met woorden als overfitting, prediction en validation data. In de cursus wordt niet alleen de praktische kant behandeld, maar leert u ook hoe u eenML-probleem kunt definiëren voor uw eigen datavragen.

Dag 1: Dag 1 Anaconda installeren; Een Jupyter Notebook creëren; De ML-libraries gebruiken; Een model trainen op een dataset; De resultaten presenteren met matplotlib. Dag 2: Dag 2 Classificatie; Regressie; Over- en underfitting; Supervised-modellen, zoals KNN en decision trees. Dag 3: Dag 3 Uitdagingen; Preprocessing en scaling; Clustering; Eindproject.

U kent de belangrijkste terminologie binnen de ML; U bent in staat om uw eigen data te pre-processen tot bruikbare trainingsdata; U bent in staat zelfstandig ML-modellen te trainen en toe te passen; U kunt het succes van uw model (objectief) evalueren; U kunt grafische representaties maken van uw modellen.