Machine Learning Trainingen in Maastricht

Deze praktijkgerichte training, onder leiding van een instructeur in Maastricht (online of op locatie), is bedoeld voor beginnende professionals die kennis willen maken met vooraf getrainde modellen en weten hoe zij deze kunnen benutten om echte problemen op te lossen, zonder van nul af aan een model te bouwen.

Aan het eind van de training zijn deelnemers in staat om:

• het concept en de voordelen van vooraf getrainde modellen te begrijpen;
• verschillende architecturen van dergelijke modellen en hun toepassingsgebieden te verkennen;
• een vooraf getraind model af te stemmen op specifieke taken;
• vooraf getrainde modellen te implementeren in eenvoudige machine learning-projecten.

Deze live-training onder begeleiding van een instructeur in Maastricht (online of ter plaatse) richt zich op deelnemers met verschillende niveaus van expertise die gebruik willen maken van het Google AutoML-platform om zelfgemaakte chatbots te ontwikkelen voor diverse toepassingen.

Aan het einde van deze training kunnen deelnemers:

• De basisprincipes van chatbotontwikkeling begrijpen.
• Het Google Cloud Platform beheersen en AutoML gebruiken.
• Gegevens voorbereiden voor het trainen van chatbotmodellen.
• Aangepaste chatbotmodellen trainen en evalueren met behulp van AutoML.
• Chatbots implementeren en integreren in diverse platforms en kanalen.
• De prestaties van chatbots monitoren en continu optimaliseren.

Deze door een instructeur geleide training in Maastricht (online of ter plaatse) richt zich op AI-ontwikkelaars, machine learning-engineers en systeemarchitecten met voldoende ervaring die hun modellen optimaliseren voor gebruik op edge-apparaten.

Na afloop van de cursus zullen deelnemers het volgende kunnen:

• De uitdagingen en vereisten begrijpen bij het implementeren van AI-modellen op edge-apparaten.
• Modelcompressietechnieken toepassen om de grootte en complexiteit van AI-modellen te verminderen.
• Kwantisatiemethoden gebruiken om het rendement van modellen op edge-hardware te verbeteren.
• Pruning en andere optimalisatietechnieken toepassen voor een betere prestaties van AI-modellen.
• Optimale AI-modellen implementeren op diverse edge-apparaten.

Deze door een docent geleide live-training in Maastricht (online of ter plaatse) richt zich op ontwikkelaars, data scientists en technologie-enthusiasten met middenniveau die praktische vaardigheden willen verwerven op het gebied van AI-modelimplementatie op edge-apparaten.

Aan het einde van deze training kunnen deelnemers:

• De basisprincipes en voordelen van Edge AI begrijpen.
• De edge-computingomgeving instellen en configureren.
• AI-modellen ontwikkelen, trainen en optimaliseren voor implementatie op edge-apparaten.
• Praktische AI-oplossingen realiseren op edge-hardware.
• De prestaties van op edge geïmplementeerde modellen evalueren en verbeteren.
• Rekening houden met ethische en beveiligingsaspecten bij Edge AI-toepassingen.

Deze door een instructeur geleide training in Maastricht (online of ter plaatse) is bedoeld voor AI-engineers en datawetenschappers op gevorderd niveau met een gedegen basiskennis die hun DeepSeek-modellen verder willen verbeteren, de latentie minimaliseren en efficiënte AI-oplossingen willen implementeren volgens moderne MLOps-methoden.

Aan het einde van deze training zijn de deelnemers in staat tot:

• DeepSeek-modellen optimaliseren voor maximale efficiëntie, nauwkeurigheid en schaalbaarheid.
• Beste praktijken toepassen op het gebied van MLOps en versiebeheer van modellen.
• DeepSeek-modellen implementeren zowel in cloud- als lokale infrastructuur.
• AI-oplossingen effectief monitoren, onderhouden en schalen.

MLOps op Kubernetes biedt een raamwerk voor het automatiseren van het trainen, valideren, verpakken en implementeren van machine learning-modellen met behulp van containergebaseerde pipelines en GitOps-werkstromen.

Deze praktijkgerichte training onder begeleiding van een instructeur (online of op locatie) richt zich op professionals met een middenniveau die geïnteresseerd zijn in het bouwen van schaalbare en geautomatiseerde MLOps-pipelines op Kubernetes.

Na afronding van deze training zullen de deelnemers in staat zijn om:

• End-to-end CI/CD-pipelines voor machine learning te ontwerpen.
• GitOps-werkstromen toe te passen voor het implementeren en versioneren van modellen.
• Het trainen, testen en verpakken van ML-modellen te automatiseren.
• Monitoring-, alarm- en rollback-strategieën te integreren.

Opbouw van de cursus

• Presentaties en diepgaande technische uitleg door de instructeur.
• Praktijkopdrachten waarmee deelnemers echte CI/CD-werkstromen ontwikkelen.
• Live-laboratoriumoefeningen voor het implementeren van ML-workloads op Kubernetes.

Opties voor cursusaanpassing

• Organisaties kunnen specifieke inhoud aanvragen die aansluit op hun eigen MLOps-tools en infrastructuur.

Kubeflow is een open-sourceplatform dat het eenvoudig maakt om machine learning-werkstromen te ontwikkelen, te trainen en te implementeren op Kubernetes.

Deze live-training onder begeleiding van een instructeur (online of op locatie) is bedoeld voor professionals met een basis- tot middenniveau die betrouwbare ML-werkstromen willen realiseren met Kubeflow.

Na afronding van deze training beschikken deelnemers over de volgende vaardigheden:

• Kennis nemen van het Kubeflow-ecosysteem en de kerncomponenten.
• Reproduceerbare werkstromen opzetten met behulp van Kubeflow Pipelines.
• Schaalbare trainingstaken uitvoeren op Kubernetes.
• Machine learning-modellen efficiënt afleveren via Kubeflow Serving.

Opzet van de cursus

• Begeleide presentaties en gezamenlijke discussies.
• Praktische oefeningen met reële Kubeflow-componenten.
• Concrete opdrachten om end-to-end ML-werkstromen te ontwerpen en implementeren.

Individuele aanpassingsmogelijkheden

• Deze training kan naar wens aangepast worden zodat deze volledig aansluit bij de technologische behoeften en specifieke projectdoelstellingen van uw team.

TinyML houdt in dat geoptimaliseerde machine learning-modellen worden ingezet op edge-apparaten met beperkte middelen.

Deze door een instructeur geleide, live-training (online of ter plaatse) is bedoeld voor technisch onderlegde professionals die complete TinyML-pijplijnen willen ontwerpen, optimaliseren en implementeren.

Aan het einde van de training zullen deelnemers weten hoe ze:

• Datasets voor TinyML-toepassingen verzamelen, voorbereiden en beheren.
• Modellen trainen en optimaliseren voor energiezuinige microcontrollers.
• Modellen omzetten naar lichtgewicht formaten die geschikt zijn voor edge-apparaten.
• TinyML-toepassingen implementeren, testen en monitoren in echte hardware-omgevingen.

Vorm van de cursus

• Instructeurgestuurde lezingen en technische discussies.
• Praktische laboratoria en iteratieve experimenten.
• Handson implementatie op platforms gebaseerd op microcontrollers.

Opties voor maatwerk aan de cursus

• Indien u de training wilt afstemmen op specifieke toolchains, hardware-boards of interne werkprocessen, neem dan contact met ons op om dit te regelen.

Deze praktijkgerichte training onder begeleiding van een instructeur in Maastricht (online of op locatie) richt zich op ontwikkelaars, data scientists en AI-experts met basiskennis die TensorFlow Lite willen gebruiken voor Edge AI-toepassingen.

Aan het einde van de training zullen deelnemers in staat zijn om:

• De basisprincipes van TensorFlow Lite te begrijpen en diens rol binnen Edge AI te doorgronden.
• AI-modellen te ontwikkelen en te optimaliseren met TensorFlow Lite.
• Deze modellen op diverse edge-apparaten uit te rollen.
• Juiste hulpmiddelen en technieken toe te passen bij modelconversie en -optimalisatie.
• Praktische Edge AI-oplossingen te realiseren met behulp van TensorFlow Lite.

Deze praktijkgerichte training wordt gegeven door een instructeur Maastricht (online of op locatie) en is bedoeld voor professionals die zich verder willen bekwamen in de technologieën achter autonome systemen.

Na afronding van deze cursus zullen de deelnemers in staat zijn tot:

• Het ontwerpen en implementeren van AI-modellen voor autonome besluitvorming.
• Het ontwikkelen van controlealgoritmen voor zelfstandige navigatie en het vermijden van obstakels.
• Het waarborgen van veiligheid en betrouwbaarheid in AI-gestuurde autonome systemen.
• Het integreren van autonome systemen met bestaande robotica- en AI-frameworks.

Deze interactieve, live-training onder leiding van een instructeur in Maastricht (online of ter plaatse) is bedoeld voor professionals op gevorderd niveau die hun kennis van computervisie willen verdiepen en de mogelijkheden van TensorFlow willen ontdekken om complexe visiemodellen te ontwikkelen via Google Colab.

Aan het einde van deze training zullen deelnemers in staat zijn tot:

• Convolutieneurale netwerken (CNN's) bouwen en trainen met TensorFlow.
• Google Colab gebruiken voor het efficiënt ontwikkelen van modellen in de cloud op schaalbare wijze.
• Technieken toepassen voor beeldvoorbereiding bij computervisietaken.
• Computervisiemodellen implementeren voor praktische toepassingen.
• Transfer learning benutten om de prestaties van CNN-modellen te verbeteren.
• De resultaten van beeldclassificatiemodellen visualiseren en interpreteren.

TinyML is een aanpak voor het implementeren van machine learning-modellen op energiezuinige, beperkt gepersonaliseerde apparaten die zich aan de rand van het netwerk bevinden.

Deze door een instructeur geleide, live-training (online of ter plaatse) richt zich op professionals met een geavanceerde kennis die hun TinyML-pijplijnen willen beveiligen en privacybevorderende technieken willen toepassen in edge AI-applicaties.

Aan het einde van deze cursus zullen de deelnemers in staat zijn om:

• De beveiligingsrisico’s te identificeren die specifiek gelden voor inferentie met TinyML op apparaten.
• Privacybevorderende maatregelen te implementeren bij het inzetten van edge AI-oplossingen.
• TinyML-modellen en ingebedde systemen te beveiligen tegen kwaadaardige aanvallen.
• Beste praktijken toe te passen voor veilig omgaan met gegevens in omgevingen met beperkte middelen.

Opzet van de cursus

• Inspannende lezingen, ondersteund door discussies geleid door experts.
• Praktische oefeningen die reële bedreigingsscenario’s bevatten.
• Hand-on implementatie met behulp van hulpmiddelen voor beveiliging en TinyML.

Opties voor cursusaanpassing

• Organisaties kunnen een op maat gemaakte versie van deze training aanvragen, zodat die voldoet aan hun specifieke beveiligings- en nalevingsvereisten.

Deze instructeur-gestuurde, live-training in Maastricht (online of op locatie) richt zich op professionals met een gevorderd niveau die hun kennis van machinelearningmodellen willen versterken, hun vaardigheden in hyperparameterafstemming willen verbeteren en leren hoe ze modellen effectief implementeren via Google Colab.

Aan het einde van deze training zullen deelnemers in staat zijn om:

• Geavanceerde machinelearningmodellen te implementeren met behulp van populaire frameworks zoals Scikit-learn en TensorFlow.
• De prestaties van modellen te optimaliseren door middel van hyperparameterafstemming.
• Machinelearningmodellen in reële toepassingen te implementeren met Google Colab.
• Samen te werken aan en grote machinelearningprojecten te beheren binnen Google Colab.

Deze praktijkgerichte, door een instructeur geleide training in Maastricht (online of op locatie) richt zich tot professionals met middenniveau die AI-technieken willen gebruiken om het opbrengstbeheer binnen halfgeleiderproductie te verbeteren.

Na afronding van deze training zullen deelnemers in staat zijn tot:

• Analyse van productiegegevens om bepalende factoren voor de opbrengst vast te stellen.
• Implementatie van AI-algoritmen ter verbetering van het opbrengstbeheerproces.
• Optimalisatie van productieparameters zodat defecten afnemen en de opbrengst stijgt.
• Integratie van AI-gestuurde opbrengstbeheersystemen in reeds bestaande productieprocessen.

Deze door een instructeur geleide live-training in Maastricht (online of op locatie) is bestemd voor bedrijfs- en AI-professionals met een gemiddelde kennisniveau die machine learning willen toepassen binnen hun organisatie, voorspellingsanalyses en AI-systemen, aan de hand van reële casestudy’s en Python-gerelateerde hulpmiddelen.

Na afloop zullen deelnemers in staat zijn om:

• In te zien hoe machine learning past binnen AI en bedrijfsstrategieën.
• Supervised- en unsupervised-learningtechnieken toe te passen op gestructureerde zakelijke problemen.
• Gegevens voor te bereiden en om te zetten zodat ze geschikt zijn voor modelvorming.
• Neurale netwerken te gebruiken voor classificatie- en voorspellingsprocessen.
• Verkoopprognoses te maken met behulp van statistische en machine learning-methoden.
• Clustering en associatieregelmineralisatie toe te passen voor segmentatie van klanten en het ontdekken van patronen.

Deze cursus wordt door een instructeur gegeven Maastricht (online of op locatie) en is bedoeld voor professionals met middenniveau die predictive onderhoudssystemen op basis van AI willen toepassen in de halfgeleiderproductie, teneinde de productiviteit te vergroten en onverwachte apparatuuruitval te voorkomen.

Aan het einde van deze cursus zijn de deelnemers in staat tot:

• Het implementeren van AI-modellen voor het voorspellen van apparatuuruitval binnen de halfgeleiderproductie.
• Het analyseren van onderhoudsgegevens om patronen en trends te ontdekken die op potentiële problemen wijzen.
• De integratie van AI-gestuurde predictive onderhoudssystemen in bestaande productieprocessen.
• Het verminderen van stilstand en onderhoudskosten door proactief apparatuurbeheer te realiseren.

Deze door een docent geleide, live-training in Maastricht (online of op locatie) is gericht op professionals die geavanceerde AI-technieken willen benutten voor de automatisering van halfgeleiderontwerp. Dit leidt tot meer efficiëntie, nauwkeurigheid en innovatie in het ontwerpen en verifiëren van chips.

Na afronding van deze training kunnen deelnemers:

• Geavanceerde AI-technieken toepassen om halfgeleiderontwerpprocessen te verbeteren.
• Machine learning-modellen integreren in EDA-tools ter verbetering van ontwerpverificatie.
• AI-oplossingen ontwikkelen voor moeilijke ontwerpvraagstukken bij chipproductie.
• Neurale netwerken inzetten om de nauwkeurigheid en snelheid van automatisering van ontwerpprocessen te vergroten.

Deze door een instructeur geleide, live-training in Maastricht (online of op locatie) is bedoeld voor datawetenschappers en ontwikkelaars met gematigde ervaring die diepe leertechnieken willen toepassen binnen het Google Colab-ecosysteem.

Na afronding van deze training kunnen deelnemers:

• Google Colab instellen en gebruiken voor deep learning-projecten.
• De basisprincipes van neurale netwerken begrijpen.
• Deep learning-modellen implementeren met TensorFlow.
• Modellen trainen en evalueren op hun prestaties.
• De geavanceerde mogelijkheden van TensorFlow benutten voor deep learning.

Deze live-training onder leiding van een instructeur in Maastricht (online of op locatie) richt zich op professionals met een midden niveau die AI-technieken willen begrijpen en toepassen om de chipfabricage te optimaliseren.

Na afronding van deze cursus kunnen deelnemers:

• De diverse AI-methoden voor procesoptimalisatie in chipfabricage begrijpen.
• AI-modellen implementeren om het rendement te verhogen en defecten te verminderen.
• Procesgegevens analyseren om belangrijke parameters voor optimalisatie te identificeren.
• Machine learning-technieken gebruiken om productieprocessen van halfgeleiders verder te finetunen.

Deze door een instructeur geleide, live-training in Maastricht (online of op locatie) is bedoeld voor deelnemers met een gemiddelde voorkennis die hun machine learning-workflows willen automatiseren en beheren – inclusief het trainen, valideren en implementeren van modellen via Apache Airflow.

Na afloop van deze training kunnen deelnemers:

• Apache Airflow instellen voor het beheer van machine learning-workflows.
• Data-voorbereidings-, modeltrainings- en validatietaken automatiseren.
• Airflow integreren met machine learning-frameworks en -tools.
• Machine learning-modellen implementeren via geautomatiseerde pipelines.
• De werking van machine learning-workflows in productie monitoren en optimaliseren.

Deze cursus, begeleid door een instructeur, is bedoeld voor data scientists en ontwikkelaars met een gemiddelde technische achtergrond die efficiënt machine learning-algoritmen willen toepassen in de Google Colab-omgeving. De training kan online of op locatie worden gevolgd.

Aan het einde van deze cursus zullen deelnemers kunnen:

• Google Colab instellen en gebruiken voor machine learning-projecten.
• Diverse machine learning-algoritmen begrijpen en toepassen.
• Bibliotheken zoals Scikit-learn gebruiken om gegevens te analyseren en voorspellingen te doen.
• Zowel supervisie- als niet-supervisieleeringsmodellen implementeren.
• Machine learning-modellen optimaal evalueren en verbeteren.

TinyML is het proces waarbij machine learning-modellen worden geïmplementeerd op hardware met zeer beperkte resources.

Deze door een instructeur geleide, live-training (online of op locatie) is bedoeld voor ervaren professionals die TinyML-modellen willen optimaliseren om ze met lage latency en minimale geheugenbelasting te kunnen gebruiken op ingebedde systemen.

Na het volgen van deze training zullen de deelnemers in staat zijn tot:

• Het toepassen van kwantisatie-, prune- en compressietechnieken om de modelgrootte te verkleinen zonder dat dit ten koste gaat van de nauwkeurigheid.
• Het beoordelen van TinyML-modellen op basis van latency, geheugengebruik en energie-efficiëntie.
• Het implementeren van geoptimaliseerde inferentiepijplijnen op microcontrollers en andere edge-apparaten.
• Het bepalen van de balans tussen prestaties, nauwkeurigheid en hardwarebeperkingen.

Opbouw van de cursus

• Presentaties door de instructeur aangevuld met technische demonstraties.
• Praktische oefeningen in optimalisatie en vergelijkende prestatietests.
• Handson-implementatie van TinyML-pijplijnen in een gecontroleerde laboratoriumomgeving.

Individuele aanpassingsmogelijkheden

• Indien gewenst kunnen wij de cursus specifiek afstemmen op bepaalde hardwareplatforms of interne werkprocessen. Neem contact met ons voor een op maat gemaakt programma.

Dit door een docent geleide live-traject Maastricht (online of op locatie) is bedoeld voor professionals met gevorderde kennis die de nieuwste XAI-technieken willen leren toepassen op modellen in het domein van diepe leer, met als doel het ontwikkelen van uitlegbaar AI-systemen.

Aan het einde van deze training zullen deelnemers in staat zijn om:

• De uitdagingen rondom uitlegbaarheid bij diepe leer te begrijpen.
• Geavanceerde XAI-technieken voor neurale netwerken te implementeren.
• De beslissingen van modellen in de diepe leer te interpreteren.
• Het evenwicht tussen prestaties en transparantie te beoordelen.

Deze door een instructeur begeleide cursus in Maastricht (online of ter plaatse) richt zich op beginners die kennis willen opdoen over het toepassen van kunstmatige intelligentie binnen de halfgeleiderproductie.

Na afloop zullen de deelnemers onder meer het volgende kunnen:

• De basisprincipes van AI en hun toepassing in halfgeleiderfabricage begrijpen.
• Aandachtspunten identificeren waar kunstmatige intelligentie nuttig kan zijn.
• Tools gebruiken om zowel productiviteit als kwaliteitscontrole te verbeteren.
• Eenvoudige AI-modellen ontwikkelen die de productieprocessen verfijnen.

Docker is een platform voor containerisatie dat wordt gebruikt om reproduceerbare, draagbare en schaalbare omgevingen te creëren voor machine learning-systemen.

Deze praktijkgerichte training onder begeleiding van een docent (online of op locatie) is bedoeld voor technisch personeel met middelbare tot gevorderde kennis die hun volledige ML-pijplijnen willen containeriseren en operationaliseren met behulp van Docker.

Na het volgen van deze training zijn de deelnemers in staat om:

• Machine learning-trainingen, validatie- en inferentietaken te containeriseren.
• End-to-end ML-pijplijnen te ontwerpen en te beheren met Docker en gerelateerde tools.
• Versiebeheer, reproduceerbaarheid en CI/CD-processen voor ML-onderdelen toe te passen.
• Machine learning-diensten te implementeren, monitoren en schalen in een gecontaineriseerde omgeving.

Opbouw van de cursus

• Interactieve lezingen ondersteund door praktische demonstraties.
• Praktijkopdrachten gericht op het ontwikkelen van relevante componenten voor ML-pijplijnen.
• Live-laboefeningen waarbij end-to-end containerisatieprocessen worden toegepast.

Mogelijkheden voor cursusaanpassing

• Indien u een op maat gemaakte training wenst die aansluit bij uw specifieke ML-infrastructuurvereisten, neem dan contact met ons op om de mogelijkheden te bespreken.

Deze praktijkgerichte training onder leiding van een instructeur (online of op locatie) is bedoeld voor data scientists en ontwikkelaars die ML.NET gebruiken om automatisch voorspellingen te maken uit data analyses voor zakelijke doeleinden.

Na afronding van deze training zullen deelnemers in staat zijn tot:

• ML.NET installeren en integreren in hun ontwikkelomgeving.
• De basisprincipes van machine learning die aan ML.NET ten grondslag liggen begrijpen.
• Modellen opbouwen en trainen zodat ze met behulp van voorhanden gegevens slim voorspellingen kunnen maken.
• De effectiviteit van een machine learning-model testen aan de hand van ML.NET-metingen.
• De nauwkeurigheid van bestaande modellen optimaliseren binnen het kader van ML.NET.
• De machine learning-concepten uit ML.NET toepassen op andere data science-gebieden.

Deze begeleide live-training (online of op locatie) is bedoeld voor data-professionals met een middenniveau die machine learning-technieken willen inzetten voor zakelijke uitdagingen, zoals verkoopprognoses en voorspellende modellering met behulp van neurale netwerken.

Na afronding van deze training kunnen de deelnemers:

• De kernconcepten en verschillende soorten machine learning begrijpen.
• Belangrijke algoritmen toepassen voor classificatie, regressie, clusteranalyse en associatie-analyse.
• Exploratieve data-analyse en datavoorbereiding uitvoeren met behulp van Python.
• Neurale netwerken gebruiken voor niet-lineaire modelleertaken.
• Voorspellende analyse toepassen om zaken zoals verkoopprognoses te bepalen.
• De prestaties van modellen evalueren en optimaliseren met visuele en statistische methoden.

Deze door een instructeur geleide, live training in Maastricht (online of op locatie) richt zich op datawetenschappers en machine learning-engineers met een gemiddelde tot gevorderde kennis, evenals onderzoekers in het gebied van deep learning en deskundigen op het gebied van computervisie die hun vaardigheden in tekst-naar-beeldgeneratie verder willen ontwikkelen.

Aan het einde van deze training zijn de deelnemers in staat om te:

• De geavanceerde deep learning-architecturen en -technieken voor tekst-naar-beeldgeneratie te begrijpen.
• Complexe modellen te implementeren en optimalisaties toe te passen voor het genereren van hoogwaardige afbeeldingen.
• De prestaties en schaalbaarheid te verbeteren bij werken met grote datasets en complexe modellen.
• Hyperparameters zo in te stellen dat het model betere resultaten behaalt en breder toepasbaar is.
• Stable Diffusion te integreren met andere deep learning-raamwerken en -hulpmiddelen.

Deze door een instructeur geleide training in Maastricht (online of ter plaatse) is bedoeld voor cybersecurity-professionals op midden- tot hoog niveau die hun vaardigheden in AI-gestuurde bedreigingsdetectie en incidentrespons willen versterken.

Aan het einde van deze training zullen deelnemers in staat zijn om:

• Geavanceerde AI-algoritmen te implementeren voor realtime detectie van bedreigingen.
• AI-modellen aan te passen aan specifieke beveiligingsuitdagingen binnen cybersecurity.
• Automatiseringswerkstromen te ontwikkelen voor snelle reactie op bedreigingen.
• AI-gestuurde beveiligingstools te beschermen tegen aanvallen door kwaadwillenden.

Deze begeleide, live-training in Maastricht (online of op locatie) is bedoeld voor embedded-systeemontwikkelaars en AI-ontwikkelaars met middenniveau kennis die machine learning-modellen willen implementeren op microcontrollers, gebruikmakend van TensorFlow Lite en Edge Impulse.

Na afloop van deze training zijn de deelnemers in staat tot:

• De basisprincipes van TinyML begrijpen en de voordelen ervan voor edge-AI-toepassingen inzien.
• Een ontwikkelomgeving opzetten voor TinyML-projecten.
• AI-modellen trainen, optimaliseren en implementeren op energiezuinige microcontrollers.
• TensorFlow Lite en Edge Impulse gebruiken voor het realiseren van praktische TinyML-toepassingen.
• AI-modellen optimaliseren met betrekking tot energiezuinigheid en beperkingen in geheugengebruik.

Deze door een instructeur geleide training in Maastricht (online of op locatie) is bedoeld voor beginnende professionals in cybersecurity die willen leren hoe ze AI kunnen benutten om hun vermogen tot dreigingsdetectie en -respons te verbeteren.

Na afloop van deze training zullen deelnemers in staat zijn om:

• De toepassingen van AI binnen cybersecurity te begrijpen.
• AI-algoritmen te implementeren voor dreigingsdetectie.
• Incidentrespons te automatiseren met behulp van AI-tools.
• AI te integreren in bestaande cyberbeveiligingsinfrastructuren.

Deze door een docent geleide training in Maastricht (online of op locatie) is bedoeld voor data-analisten met enige ervaring die willen leren hoe RapidMiner te gebruiken om waarden te schatten en te projecteren, evenals analytische hulpmiddelen toe te passen bij het voorspellen van tijdreeksen.

Aan het einde van deze training zullen deelnemers in staat zijn om:

• De CRISP-DM-methodologie toe te passen, geschikte machine learning-algoritmen te selecteren en de modellering én prestaties te verbeteren.
• RapidMiner te gebruiken voor het schatten en projecteren van waarden en om analytische hulpmiddelen in te zetten bij tijdreeksvoorspellingen.

Deze door instructeurs geleide, live training (online of op locatie) richt zich op datawetenschappers, machine learning-engineers en onderzoekers in computervisie die Stable Diffusion willen benutten om hoogwaardige beelden te genereren voor diverse toepassingen.

Aan het einde van deze training zullen deelnemers kunnen:

• De werking en principes achter Stable Diffusion bij beeldgeneratie begrijpen.
• Stable Diffusion-modellen bouwen en trainen voor taken op het gebied van beeldproductie.
• Stable Diffusion inzetten in diverse scenario’s zoals inpainting, outpainting en vertaling van het ene naar het andere beeldtype.
• Het presteren en de stabiliteit van Stable Diffusion-modellen verbeteren.

Deze door een instructeur geleide, live-training in Maastricht (online of op locatie) is gericht op beginnende engineers en data scientists die de basisprincipes van TinyML willen leren kennen, de mogelijkheden ervan willen ontdekken en AI-modellen op microcontrollers willen implementeren.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De basisprincipes van TinyML en diens betekenis te begrijpen.
• Lichtgewichte AI-modellen op microcontrollers en randapparaten te implementeren.
• Machine learning-modellen te optimaliseren voor zo laag mogelijk energieverbruik.
• TinyML toe te passen op praktische toepassingen zoals gebaarherkenning, anomaliedetectie en audioverwerking.

Het doel van deze cursus is om u inzicht te geven in het praktisch toepassen van machine learning-technieken. Door gebruik te maken van de programmeertaal Python en haar verschillende bibliotheken, evenals talrijke praktische voorbeelden, leert u hoe u de belangrijkste elementen van machine learning kunt inzetten, welke beslissingen te nemen bij data-modellering, hoe u de uitkomsten van algoritmen te interpreteren en hoe u deze kunt valideren.

Onze doelstelling is om u de vaardigheden aan te leren die nodig zijn om zelfverzekerd met de meest fundamentele hulpmiddelen uit het machine learning-repertoire om te gaan en de veelvoorkomende valkuilen in datawetenschappelijke toepassingen te vermijden.

In deze cursus 'Toegepaste AI: van de grond af aan ontwikkelen in Python' leren programmeurs en data-analisten fundamentele technieken om machine learning-oplossingen volledig zelf te bouwen met behulp van Python. Er komen de basisprincipes van supervisiede leer (classificatie en regressie), onsupervisiede leer (clustering en afwijkingendetectie) en geavanceerde neural netwerkarchitecturen aan bod. Daarnaast wordt ingegaan op beproefde methoden voor het gebruik van scikit-learn, Apache Spark MLlib en Jupyter Notebooks bij praktische AI-ontwikkeling. De cursus helpt professionals bij het implementeren van bruikbare machine learning-modellen, het evalueren van de beperkingen van algoritmen en het voltooien van toepassingsgerichte projecten die daadwerkelijke problemen oplossen.

Diep versterkt leren (Deep Reinforcement Learning, DRL) combineert de principes van versterkt leren met deep learning-architecturen. Dit stelt agenten in staat om beslissingen te nemen door te interageren met hun omgeving. Deze techniek vormt de basis voor veel moderne AI-voortgangen, zoals zelfrijdende voertuigen, robotbesturing, algoritmisch beleggen en adaptieve aanbevelingssystemen. DRL maakt het mogelijk dat een kunstmatige agent strategieën leert, beleidslijnen optimaliseert en zelfstandig beslissingen neemt op basis van proefondervindelijk leren via beloningsmechanismen.

Deze live-training onder begeleiding van een instructeur (online of ter plaatse) is bedoeld voor ontwikkelaars en datawetenschappers op middenniveau die de technieken van Diep versterkt leren willen toepassen om intelligente agenten te bouwen die zelfstandig kunnen beslissen in complexe omgevingen.

Na afloop van deze training zijn de deelnemers in staat tot:

• De theoretische basis en wiskundige principes van versterkt leren begrijpen.
• Belangrijke RL-algoritmen implementeren, waaronder Q-Learning, Policy Gradients en Actor-Critic-methoden.
• Diep versterkte leeragenten bouwen en trainen met behulp van TensorFlow of PyTorch.
• DRL toepassen in praktische situaties zoals spelletjes, robotica en optimalisatieproblemen.
• Trainingprestaties troubleshooten, visualiseren en optimaliseren met moderne hulpmiddelen.

Vorm van de cursus

• Interactieve lezingen en begeleide discussies.
• Praktische oefeningen en implementatievoorbeelden.
• Live-coderingdemonstraties en projectgerichte toepassingen.

Mogelijkheden tot aanpassing van de cursus

• Wilt u een aangepaste versie van deze training? Bijvoorbeeld met gebruik van PyTorch in plaats van TensorFlow? Neem dan contact met ons op om dit te regelen.

Het begrijpen van de basisprincipes van kunstmatige intelligentie laat zien hoe deze technologie digitale strategieën, automatisering en besluitvorming binnen organisaties drastisch verandert. Deze cursus behandelt essentiële concepten zoals de geschiedenis van AI, methoden voor probleemoplossing, kennisrepresentatie, redenering onder onzekerheid en verschillende vormen van machine learning; daarnaast aandacht voor communicatie, waarneming en zelfstandige actie. U leert als manager of architect hoe u kansen op transformatie door AI kunt beoordelen, nieuwe technologische ontwikkelingen evalueren en praktische intelligente oplossingen integreren om de bedrijfsagiliteit te vergroten.

In deze cursus wordt aandacht besteed aan kunstmatige intelligentie – met name machine learning en deep learning – binnen de automobielsector. Deelnemers leren welke technologieën er zijn en hoe ze mogelijk kunnen worden toegepast in verschillende contexten in een auto: van eenvoudige automatisering en beeldherkenning tot autonome besluitvorming.

Dit acht dagen durende programma biedt een compleet traject, waarbij deelnemers grondige kennis opdoen over Python-programmering en vervolgens gevorderde technieken voor het ontwerp van AI-systemen beheersen. Ze ontwikkelen discipline in het coderen, leren statistische methoden en deep learning-technieken, en bouwen uiteindelijk productieklare generatieve AI-oplossingen en agent-gebaseerde systemen. De nadruk ligt op betrouwbaarheid, evaluatie, veiligheid en implementatie in de praktijk, niet slechts op experimenteren.

Kunstmatige neuronale netwerken (ANN's) zijn computationele modellen die worden gebruikt bij de ontwikkeling van kunstmatige intelligentiesystemen die in staat zijn tot het uitvoeren van ‘intelligente’ taken. Deze netwerken vinden veel toepassing in machine learning-toepassingen, die op hun beurt een vorm van kunstmatige intelligentie zijn. Diep leren is zelfs een onderdeel binnen machine learning.

Verdiep uw kennis van datatechnieken met deze uitgebreide training in machine learning, waarin de belangrijkste algoritmen aan bod komen, zoals Naive Bayes, besluitbomen, neurale netwerken, Support Vector Machines en clustering-technieken. U krijgt praktische handvatten om zowel theorie als toepassing te beheersen met behulp van reële voorbeelden. Deze cursus is ideaal voor data-analisten, softwareontwikkelaars, AI-enthousiastelingen en zakelijke professionals die machine learning in de praktijk willen brengen. Leer hoe u prestatie-indicatoren voor classificatie bepaalt, cross-validatie toepast, het evenwicht tussen bias en variance begrijpt en de basisprincipes van deep learning onder de knie krijgt om betrouwbare voorspellingsmodellen te bouwen.

Tijdens deze door een instructeur geleide, live-training in Maastricht (online of op locatie) krijgen deelnemers een introductie tot het gebied van patroonherkenning en machine learning. Er wordt aandacht besteed aan praktische toepassingen binnen statistiek, informatica, signaalverwerking, computervisie, data mining en bio-informatica.

Aan het einde van deze training zijn deelnemers in staat om:

• De belangrijkste statistische methoden toe te passen op patroonherkenning.
• Essentiële modellen zoals neurale netwerken en kernmethoden te gebruiken voor data-analyse.
• Gevorderde technieken toe te passen bij het oplossen van complexe problemen.
• De voorspellingsnauwkeurigheid te verbeteren door verschillende modellen te combineren.

Deze door een instructeur geleide training in Maastricht (online of op locatie) is bedoeld voor data scientists die TensorFlow willen gebruiken om gegevens te analyseren met betrekking tot mogelijke fraude.

Aan het einde van deze training zullen deelnemers in staat zijn om:

• Een fraudedetectiemodel te creëren met Python en TensorFlow.
• Lineaire regressies op te stellen om fraude te voorspellen.
• Een volledige AI-applicatie te ontwikkelen voor de analyse van fraudegegevens.

Machine Learning is een onderdeel van Kunstmatige Intelligentie waarbij computers in staat zijn te leren zonder uitdrukkelijk te worden geprogrammeerd.

Deep Learning is een subgebied binnen Machine Learning dat gebruikmaakt van technieken om gegevensweergaven en -structuren te leren, zoals neurale netwerken.

Python is een hoogwaardige programmeertaal die bekend staat om haar heldere syntaxis en uitstekende codeleesbaarheid.

Tijdens deze praktijkgerichte training, onder leiding van een instructeur, leren deelnemers hoe zij met behulp van Python deep learning-modellen voor de telecomsector kunnen implementeren. Dit doen ze door stapsgewijs te werken aan het ontwikkelen van een model voor kredietrisicobeoordeling.

Na afronding van deze training zullen deelnemers in staat zijn om:

• De basisconcepten van deep learning te begrijpen.
• De toepassingen en mogelijkheden van deep learning binnen de telecomsector te leren kennen.
• Python, Keras en TensorFlow te gebruiken voor het creëren van deep learning-modellen voor de telecommarkt.
• Zelf een model te bouwen dat voorspelt welke klanten mogelijk afhaken, ook weer met behulp van Python.

Opzet van de cursus

• Interactieve lezingen en discussies.
• Voldoende oefeningen en praktische bezigheden.
• Handson toepassing in een live-labomgeving.

Mogelijkheden tot maatwerk voor de cursus

• Wilt u een op maat gemaakte variant van deze training? Neem dan contact met ons op om de details af te stemmen.

Deze praktische, door een instructeur begeleide training vormt een logische vervolgstap op de cursus Python voor data-analyse.

Deelnemers worden kennis laten maken met de kernconcepten van machine learning en hoe deze rechtstreeks kunnen worden toegepast op data-analyse-taken zoals voorspellen, classificeren en segmenteren.

Er wordt nadruk gelegd op het begrijpen van de praktische werking van machine learning met behulp van vertrouwde hulpmiddelen als Python, Pandas en Jupyter Notebook. Hiervoor is geen diepgaande wiskundige achtergrond vereist.

Dit live, door een instructeur geleide training in Maastricht (online of op locatie) is bedoeld voor ontwikkelaars en datawetenschappers die machine learning-workflows willen bouwen, implementeren en beheren op Kubernetes.

Na afloop van deze training kunnen deelnemers:

• Kubeflow installeren en configureren in een eigen infrastructuur (on-premise) en in de cloud.
• ML-workflows bouwen, implementeren en beheren op basis van Docker-containers en Kubernetes.
• Hele machine learning-pijplijnen uitvoeren op verschillende architecturen en cloudomgevingen.
• Kubeflow gebruiken om Jupyter-notebooks op te starten en te beheren.
• ML-training, hyperparameter-tuning en serving-workloads bouwen over meerdere platforms heen.

Deze door een instructeur geleide, live-training (online of op locatie) is bedoeld voor ingenieurs die de beschikbare benaderingen en tools willen beoordelen om zo een weloverwogen keuze te maken over het invoeren van MLOps binnen hun organisatie.

Aan het einde van deze training zullen deelnemers in staat zijn om:

• Verschillende MLOps-frameworks en -tools te installeren en te configureren.
• Het juiste team samen te stellen, met de benodigde vaardigheden voor het ontwikkelen en ondersteunen van een MLOps-systeem.
• Gegevens voor te bereiden, te valideren en versiebeheer aan te brengen zodat ze bruikbaar zijn voor machine learning-modellen.
• De verschillende onderdelen van een ML-pijplijn te begrijpen en de benodigde tools om deze te bouwen.
• Diverse machine learning-frameworks en servers uit te proberen voor implementatie in productieomgevingen.
• Het gehele machine learning-proces operationeel te maken, zodat het herhaalbaar en onderhoudbaar is.

Deze door een docent geleide training in Maastricht (online of op locatie) is bedoeld voor data-analisten, ontwikkelaars en toekomstige data-scientists met voldoende kennisniveau die machine learning-technieken in Python willen toepassen om waardevolle inzichten te verkrijgen, voorspellingen te doen en data-gestuurde beslissingen te automatiseren.

Aan het einde van deze cursus zullen deelnemers onder andere kunnen:

• De belangrijkste paradigma’s binnen machine learning begrijpen en onderscheiden.
• Technieken voor data-voorbereiding en evaluatiemethoden voor modellen verkennen.
• Machine learning-algoritmen toepassen op praktische dataproblemen.
• Python-bibliotheken en Jupyter Notebooks gebruiken voor hands-on ontwikkeling.
• Modellen bouwen voor voorspelling, classificatie, aanbevelingen en clustering.

Deze door een instructeur geleide, live-training in Maastricht (online of ter plaatse) is bedoeld voor ontwikkelaars en datawetenschappers die TensorFlow 2.x willen gebruiken om voorspellingsmodellen, classificatoren, generatieve modellen en neurale netwerken te creëren.

Aan het einde van deze training zullen de deelnemers in staat zijn tot:

• TensorFlow 2.x installeren en configureren.
• De voordelen van TensorFlow 2.x ten opzichte van eerdere versies begrijpen.
• Diep lerende modellen bouwen.
• Een geavanceerde afbeeldingsclassificator implementeren.
• Een diepleermodel op de cloud, mobiele apparaten en IoT-apparaten implementeren.

Deze cursus begint met het verstrekken van conceptuele kennis over neurale netwerken en algemene machine learning-algoritmen, evenals deep learning (algoritmen en toepassingen).

Het eerste deel (40%) van deze opleiding richt zich vooral op de basisprincipes en helpt u bij het kiezen van de juiste technologie: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

Het tweede deel (20%) introduceert Theano – een Python-bibliotheek die het eenvoudiger maakt om deep learning-modellen te ontwikkelen.

Het derde deel (40%) is in grote mate gebaseerd op TensorFlow: de API van Googles open source-softwarebibliotheek voor Deep Learning. Alle voorbeelden en praktische oefeningen zullen met TensorFlow worden uitgevoerd.

Doelgroep

Deze cursus is bedoeld voor ingenieurs die TensorFlow willen gebruiken voor hun deep learning-projecten.

Na afronding van deze cursus zullen de deelnemers:

• een goed begrip hebben van diepe neurale netwerken (DNN), CNN’s en RNN’s
• de structuur en implementatiemechanismen van TensorFlow bevatten
• in staat zijn om installatie-, productie-omgevings- en architectuurtaken uit te voeren
• codekwaliteit kunnen beoordelen, debuggen en bewaken
• geavanceerde productiemethoden kunnen toepassen zoals het trainen van modellen, het bouwen van grafieken en logging