Cursusaanbod
Inleiding tot Machine Learning
- Typen machine learning – gesuperviseerd versus ongesuperviseerd
- Van statistische leerprocessen naar machine learning
- De werkstroom bij data mining: begrijpen van de bedrijfsdoelstelling, data-voorbereiding, modelbouw en implementatie
- Het kiezen van het juiste algoritme voor de taak
- Overfitting en de balans tussen bias en variance
Overzicht van Python en ML-bibliotheken
- Waarom programmeertalen gebruiken bij machine learning
- R versus Python – welke kiezen?
- Snelle inleiding tot Python en Jupyter Notebooks
- Relevante Python-bibliotheken: pandas, NumPy, scikit-learn, matplotlib en seaborn
Testen en evalueren van machine learning-algoritmen
- Generalisatie, overfitting en validatie van modellen
- Evaluatiestrategieën: holdoutmethode, kruistvalidatie en bootstrapping
- Metingen bij regressieproblemen: ME, MSE, RMSE en MAPE
- Metingen bij classificatietaken: nauwkeurigheid, confusion matrix en onevenredige klassenverdeling
- Visualisatie van modelprestaties: profit curve, ROC-curve en liftcurve
- Modelselectie en optimalisatie via grid search
Data-voorbereiding
- Het importeren en opslaan van data in Python
- Exploratieve analyse en samenvattende statistieken
- Omgaan met ontbrekende waarden en uitlopers
- Standaardisatie, normalisatie en transformatie van data
- Hercoderen van kwalitatieve gegevens en databeheer met pandas
Classificatiealgoritmen
- Binaire versus meervoudige classificatieproblemen
- Logistische regressie en discriminante functies
- Naïeve Bayes, k-nearest neighbors
- Beslisbomen: CART, Random Forests, Bagging, Boosting en XGBoost
- Support Vector Machines en kernels
- Ensemble-learningtechnieken
Regressie en numerieke voorspellingen
- Methode van de kleinste kwadraten en selectie van variabelen
- Regularisatiemethoden: L1 en L2
- Polynomische regressie en niet-lineaire modellen
- Regressiebomen en splines
Ongesuperviseerd leren
- Clusteringmethoden: k-means, k-medoids, hiërarchisch clustering en SOMs
- Dimensiereductie: PCA, factoranalyse en SVD
- Multidimensionale schalingstechnieken
Tekstanalyse
- Voorverwerking van tekst en tokenisatie
- Bag-of-words-techniek, stemming en lemmatisatie
- Sentimentanalyse en analyse van woordfrequenties
- Visualisatie van tekstgegevens via word clouds
Aanbevelingssystemen
- Collaboratieve filtering op basis van gebruikers of items
- Ontwerp en evaluatie van aanbevelingsmotoren
Mining van associatiemodellen
- Frequente itemsetontdekking en het Apriori-algoritme
- Analyse van marktbaskets en liftratio's
Uitzonderingendetectie
- Analyse van extreme waarden
- Afstandsgebaseerde en dichtheidsgebaseerde methoden
- Het detecteren van uitzonderingen in hoge-dimensionale data
Casestudy over Machine Learning
- Begrijpen van het bedrijfsprobleem
- Data-voorbereiding en feature engineering
- Het selecteren en afstemmen van modellen
- Evaluatie en presentatie van resultaten
- Implementatie in praktijk
Samenvatting en volgende stappen
Vereisten
- Basiskennis van statistiek en lineaire algebra
- Kenmerkende kennis van data-analyse of bedrijfsinformatieverwerking
- Enige ervaring met programmeren (bij voorkeur Python of R) wordt aangeraden
- Bereidheid om toegepaste machine learning-technieken te leren voor data-gebaseerde projecten
Doelgroep
- Data-analisten en -wetenschappers
- Statistici en onderzoekers
- Ontwikkelaars en IT-professionals die machine learning-tools willen verkennen
- Iedereen actief in data science of projecten op het gebied van voorspellende analyse
Aangepaste bedrijfsopleiding
Opleidingsoplossingen ontworpen exclusief voor bedrijven.
- Aangepaste inhoud: We passen de syllabus en praktijkopdrachten aan naar de echte doelen en behoeften van uw project.
- Voor flexibel schema: Datums en tijden aangepast aan het rooster van uw team.
- Formaat: Online (live), In-company (bij uw kantoren) of Hybride.
Prijs per privégroep, online live training, startend vanaf 4800 € + BTW*
Neem contact met ons op voor een exacte offerte en om onze laatste promoties te horen
Reviews (3)
Ook al moest ik een dag missen vanwege klantgesprekken, voel ik dat ik een veel duidelijker begrip heb gekregen van de processen en technieken die worden gebruikt in Machine Learning en wanneer ik het een benadering boven een andere zou kiezen. Onze uitdaging is nu om wat we hebben geleerd te oefenen en het te beginnen toe te passen in onze probleemdomein.
Richard Blewett - Rock Solid Knowledge Ltd
Cursus - Machine Learning – Data science
Automatisch vertaald
Ik vond het fijn dat de training gericht was op voorbeelden en programmeren. Ik dacht dat het onmogelijk zou zijn om zoveel inhoud in drie dagen training te verpakken, maar ik had het mis. De training behandelde veel onderwerpen en alles werd zeer gedetailleerd behandeld (vooral de afstelling van modelparameters - ik verwachtte niet dat er tijd voor dit zou zijn en was aangenaam verrast).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Cursus - Machine Learning – Data science
Automatisch vertaald
Het laat veel methoden zien met vooraf bereide scripts - zeer goed voorbereide materialen en gemakkelijk te traceren.
Kamila Begej - GE Medical Systems Polska Sp. Zoo
Cursus - Machine Learning – Data science
Automatisch vertaald
