Course Outline

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)

Requirements

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

 28 Hours

Reviews (2)

Voorlopige Aankomende Cursussen

Related Categories