Fundamente van Artificial Intelligence (AI) en Machine Learning Training Cursus

Introductie tot Toegepaste Machine Learning

• Statistisch leren vs. Machine learning
• Iteratie en evaluatie
• Bias-variantie afweging
• Gestructureerd vs. Ongestructureerd leren
• Problemen opgelost met Machine Learning
• Train Validation Test – ML-workflow om overfitting te voorkomen
• Workflow van Machine Learning
• Machine learning-algoritmes
• Het kiezen van een geschikt algoritme voor het probleem

Evaluatie van algoritmes

• Evaluatie van numerieke voorspellingen
  • Maten van nauwkeurigheid: ME, MSE, RMSE, MAPE
  • Stabiliteit van parameters en voorspellingen
• Evaluatie van classificatie-algoritmes
  • Nauwkeurigheid en de problemen daarmee
  • De verwaringsmatrix (confusion matrix)
  • Het probleem van onevenwichtige klassen
• Visualisatie van modelprestaties
  • Profijtcurve
  • ROC-curve
  • Liftcurve
• Modelkeuze
• Modelafstemming – grid search-strategieën

Datapreparatie voor modellering

• Data-invoer en opslag
• De data begrijpen – basisverkenningen
• Databewerking met de pandas-bibliotheek
• Datriansformaties – Data wrangling
• Verkenning van de data
• Ontbrekende waarden – detectie en oplossingen
• Uitschieters – detectie en strategieën
• Standardisatie, normalisatie, binarisatie
• Hercodering van kwalitatieve data

Machine learning-algoritmes voor uitschieterdetectie

• Gestructureerde algoritmes
  • KNN
  • Ensemble Gradient Boosting
  • SVM
• Ongestructureerde algoritmes
  • Afstandsbased
  • Dichtte gebaseerde methoden
  • Probabilistische methoden
  • Model gebaseerde methoden

Begrip van Deep Learning

• Overzicht van de basisconcepten van Deep Learning
• Het onderscheid tussen Machine Learning en Deep Learning maken
• Overzicht van toepassingen voor Deep Learning

Overzicht van neurale netwerken

• Wat zijn neurale netwerken?
• Neurale netwerken vs. regressiemodellen
• Begrijpen van wiskundige fundamenteel en leermecanismen
• Het construeren van een kunstmatig neuraal netwerk
• Begrijpen van neurale knooppunten en verbindingen
• Werken met neuronen, lagen, ingangs- en uitgangsdata
• Begrijpen van enkel-lagige perceptor's
• Verschillen tussen gestructureerd en ongestructureerd leren
• Het leren van feedforward- en feedback neurale netwerken
• Begrijpen van forward propagation en backpropagation

Bouwen van eenvoudige deep learning-modellen met Keras

• Een Keras-model creëren
• Begrijpen van uw data
• Specificeren van uw deep learning-model
• Compileren van uw model
• Aftasten van uw model
• Werken met uw classificatiedata
• Werken met classificatiemodels
• Het gebruik van uw modellen

Werken met TensorFlow voor deep learning

• De data voorbereiden
  • De data downloaden
  • Trainingsdata voorbereiden
  • Testdata voorbereiden
  • Invoer schalen
  • Placeholders en variabelen gebruiken
• De netwerkarchitectuur specificeren
• De kostfunctie gebruiken
• De optimizer gebruiken
• Initializers gebruiken
• Het neurale netwerk afstemmen
• De grafiek bouwen
  • Inferentie
  • Verlies
  • Training
• Het model trainen
  • De grafiek
  • De sessie
  • Trainingslus
• Het model evalueren
  • De eval-grafiek bouwen
  • Evaluatie met eval-uitvoer
• Modellen op schaal trainen
• Modellen visualiseren en evalueren met TensorBoard

Toepassing van deep learning in anomaliëdetectie

• Autoencoder
  • Encoder - decoder architectuur
  • Reconstructie-verlies
• Variational Autencoder
  • Variationele inferentie
• Generative Adversarial Network
  • Generator – Discriminator architectuur
  • Aanpakken van AN met GAN

Ensemble-frameworks

• Combineren van resultaten van verschillende methoden
• Bootstrap Aggregating
• Uitschieter-scores gemiddeld