Machine Learning met Python

Over de cursus Machine Learning

In onze 3-daagse cursus Machine Learning leer je hoe je Machine Learning modellen kunt maken voor verschillende types data. Je gaat aan de slag met onder meer tijdseries data, label data, numerieke waardes, afbeeldingen en teksten. Zo krijg je een breed beeld van de verschillende vraagstukken die je met Machine Learning kunt oplossen. Verder is het voor de effectiviteit van Machine Learning van belang dat je het model kiest dat het beste bij jouw data past. Daarom komen in de cursus verschillende modellen aan bod, waaronder: Gaussian modellen, regressie modellen, Deep Learning modellen, clustering modellen en dimensiereductie modellen.

Leerdoelen Machine Learning

Na deze cursus:

• ken je verschillende Machine Learning modellen;
• kun je voor verschillende soorten data waaronder teksten, tijdreeksen en numerieke data het juiste model kiezen;
• kun je een model trainen;
• kun je data voorbewerken;
• ken je meerdere technieken om je model te valideren;
• kun je simpele Deep Learning modellen maken met Keras en Tensorflow;
• kun je werken met verschillende Machine Learning tools waaronder Scikit-learn, Numpy en Pandas;
• Ken je diverse dimensie reductie technieken.

Voor wie is de Machine Learning cursus?

• Je wilt weten wat er nodig is om Machine Learning modellen te maken die aansluiten bij verschillende soorten vraagstukken.
• Je begrijpt de basisconcepten van de programmeertaal Python (zie Python Essentials).
• Je wilt zelf met Machine Learning aan de slag.

Cursusinhoud Machine Learning

In de cursus 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 aan de slag te kunnen. 

Wiskundige concepten

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

• 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

In de meeste gevallen sluit je verzameling data niet direct aan op je Machine Learning model. Er kunnen waardes missen en foute data tussen zitten. Voordat de data ingevoerd kan worden, is daarom meestal data preprocessing nodig. In onze Machine Learning opleiding maak je 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 deze opleiding Machine Learning maak je kennis met 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 veel modellen beschikbaar. Maar, elk model heeft zijn specialiteit. Daarom maak je tijdens onze Machine Learning cursus kennis met een veelzijdige set aan clustering modellen, waaronder: 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. 

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.