Machine Learning met Python Certificeringscursus - eLearning

Benut het potentieel van data met machine learning met Python

Cursusoverzicht

Deze cursus Machine Learning met Python biedt een diepgaand overzicht van ML-onderwerpen, waaronder het werken met realtime data, het ontwikkelen van algoritmen voor begeleid en onbegeleid leren, regressie, classificatie en tijdreeksmodellering. In deze certificeringstraining voor machine learning leer je hoe je Python kunt gebruiken om voorspellingen te doen op basis van data. Na afronding van deze cursus Machine learning met Python ontvangt u een certificaat dat uw vaardigheden als machine learning-expert bevestigt.

Benut het potentieel van data met machine learning met Python-cursus

• Bereik carrièresucces met onze uitgebreide cursus machine learning
• Krijg ondersteuning van mentoren tijdens je leerproces
• Beheers belangrijke ML-concepten voor certificering
• Verwerf de vaardigheden die nodig zijn om een succesvolle machine learning engineer te worden

Doelgroep

Voor wie is dit programma bedoeld?

Een vooraanstaande data engineer bouwt en onderhoudt datastructuren en architecturen voor data-ingest, -verwerking en -implementatie voor grootschalige, data-intensieve toepassingen. Het is een veelbelovende carrière voor zowel nieuwe als ervaren professionals met een passie voor data, waaronder:

• Data scientist
• Machine learning engineer
• Artificial intelligence engineer
• Business intelligence developer
• Software engineer
• AI-onderzoeker
• Natural language processing engineer
• AI-productmanager

Vereiste

Deelnemers moeten in het bezit zijn van een bachelordiploma of een middelbareschooldiploma. Kennis van basisstatistiek en wiskunde op universitair niveau. Bekendheid met Python-programmeren is ook een pré. Voordat je aan de Python-certificeringstraining voor machine learning begint, moet je de basiscursussen hebben gevolgd, waaronder Python voor datawetenschap, wiskunde-opfrissing en statistiek die essentieel is voor datawetenschap.

Toelating

De Machine Learning-certificering met Python-cursus is zeer geschikt voor deelnemers op gemiddeld niveau, waaronder analytics managers, business analysts, informatiearchitecten, ontwikkelaars die machine learning engineer of data scientist willen worden, en afgestudeerden die een carrière in data science en machine learning ambiëren.

Leerresultaten

Behandelde vaardigheden

• Begeleid en onbegeleid leren
• Lineaire en logistische regressie
• KMeans-clustering
• Beslissingsboom
• Boosting- en baggingtechnieken
• Tijdreeksmodellering
• SVM met kernels
• Naïeve Bayes
• Random forest-classifiers
• Basisprincipes van deep learning

Belangrijkste leerresultaten

Met deze cursus machine learning met Python kunt u:

• De verschillende soorten machine learning en hun respectieve kenmerken onderzoeken.
• De machine learning-pijplijn analyseren en de belangrijkste bewerkingen begrijpen die betrokken zijn bij Machine Learning Operations (MLOps).
• Leren over begeleid leren en de vele toepassingen ervan.
• De concepten van overfitting en underfitting begrijpen en technieken gebruiken om deze te detecteren en te voorkomen.
• Verschillende regressiemodellen en hun geschiktheid voor verschillende scenario's analyseren.
• Lineariteit tussen variabelen identificeren en correlatiekaarten maken.
• Verschillende soorten classificatiealgoritmen opsommen en hun specifieke toepassingen begrijpen.
• Verschillende soorten onbegeleide leermethoden beheersen en weten wanneer je ze moet gebruiken.
• Krijg een diepgaand inzicht in verschillende clusteringtechnieken in onbegeleid leren.
• Onderzoek verschillende technieken voor ensemblemodellering, zoals bagging, boosting en stacking.
• Evalueer en vergelijk verschillende machine learning-frameworks, waaronder TensorFlow en Keras.
• Bouw een aanbevelingsengine met PyTorch
• Maak visualisaties met Matplotlib, Seaborn, Plotly en Bokeh.

Inhoud

Curriculum

1. Inleiding tot de cursus
2. Inleiding tot machine learning
3. Begeleid leren
4. Regressie en de toepassingen ervan
5. Classificatie en de toepassingen ervan
6. Algoritmen voor onbegeleid leren
7. Ensemble learning
8. Aanbevolen systemen

Les 1: Inleiding tot de cursus

Ga aan de slag met dit programma door inzicht te krijgen in de onderdelen van de cursus en de behandelde onderwerpen. Zo bent u goed voorbereid op de komende sessies.

Les 2: Inleiding tot machine learning

De cursus behandelt de basisconcepten van machine learning, inclusief de definitie en verschillende soorten. Ook wordt dieper ingegaan op de machine learning-pijplijn, MLOps en AutoML, waardoor u inzicht krijgt in het op grote schaal implementeren van machine learning-modellen. Daarnaast maken studenten kennis met belangrijke Python-pakketten voor machine learning-taken, zodat ze het robuuste ecosysteem van Python kunnen gebruiken om machine learning-oplossingen te ontwikkelen.

Behandelde onderwerpen:

• Wat is machine learning?
• Verschillende soorten machine learning
• Machine learning-pijplijn, MLOps en AutoML
• Inleiding tot Python-pakketten voor machine learning

Les 3: Begeleid leren

Het gedeelte over begeleid leren gaat in op de praktische toepassingen ervan in verschillende domeinen en wordt aangevuld met discussies over de relevantie en het belang ervan in reële scenario's. Studenten voeren praktische activiteiten uit om gegevens voor begeleid leren voor te bereiden en te vormgeven, gevolgd door discussies over overfitting en underfitting. Daarnaast worden praktische oefeningen gegeven om deze problemen op te sporen en te voorkomen, en wordt inzicht gegeven in regularisatietechnieken om de prestaties van modellen te optimaliseren en overfitting te beperken.

Behandelde onderwerpen:

• Begeleid leren
• Toepassingen van begeleid leren
• Overmatching en undermatching
• Regularisatie

Les 4: Regressie en de toepassing ervan

Dit segment gaat dieper in op de basisprincipes van regressieanalyse, met aandacht voor de definitie en verschillende soorten, waaronder lineaire, logistische, polynomiale, ridge- en lasso-regressie. Discussies belichten kritische aannames die ten grondslag liggen aan lineaire regressie en praktische oefeningen bieden praktische ervaring met lineaire regressiemodellering. Deelnemers houden zich ook bezig met data-exploratie met behulp van technieken zoals SMOTE-oversampling en bereiden regressiemodellen voor, bouwen deze op en evalueren ze om vaardigheid in regressieanalyse te verwerven.

Behandelde onderwerpen:

• Wat is regressie?
• Soorten regressie
• Lineaire regressie
• Cruciale aannames voor lineaire regressie
• Logistische regressie
• Oversampling met behulp van SMOTE
• Polynomiale regressie
• Ridge-regressie
• Lasso-regressie

Les 5: Classificatie en de toepassing ervan

Deze sessie behandelt classificatiealgoritmen en hun definities, soorten en toepassingen, en de selectie van prestatieparameters. Deelnemers worden ondergedompeld in verschillende classificatietechnieken, zoals Naive Bayes, Stochastic Gradient Descent, K-Nearest Neighbors, Decision Trees, Random Forest, Boruta en Support Vector Machines, door middel van discussies en begeleide oefeningen. Belangrijke concepten zoals Cohen's Kappa worden ook besproken, gevolgd door kennistoetsen om het begrip te versterken.

Behandelde onderwerpen:

• Wat zijn classificatiealgoritmen?
• Verschillende soorten classificatie
• Toepassingstypen en keuze van prestatieparameters
• Naive Bayes
• Stochastic Gradient Descent
• K-Nearest Neighbors
• Beslissingsbomen Random Forest
• Boruta
• Support Vector Machine
• Cohen's Cape

Les 6: Onbegeleide algoritmen

Dit deel introduceert studenten in onbegeleide algoritmen, met aandacht voor de verschillende soorten, toepassingen en prestatieparameters. Deelnemers voeren praktische activiteiten uit, zoals het visualiseren van output en het toepassen van technieken zoals hiërarchische clustering, K-Means-clustering en het K-Medoids-algoritme. Daarnaast verkennen ze methoden voor het detecteren van afwijkingen en technieken voor dimensiereductie, zoals Principal Component Analysis (PCA), Singular Value Decomposition en Independent Component Analysis. Praktische toepassingen van deze algoritmen worden gedemonstreerd aan de hand van begeleide oefeningen, waardoor studenten meer inzicht krijgen in de concepten van onbegeleid leren.

Behandelde onderwerpen:

• Onbegeleide algoritmen
• Verschillende soorten onbegeleide algoritmen
• Wanneer gebruik je onbegeleide algoritmen?
• Parameters voor prestaties
• Soorten clustering
• K-Means-clustering
• K-Medoids-algoritme
• Uitschieters
• Detectie van uitschieters
• Hoofdcomponentenanalyse
• Correspondentieanalyse en meervoudige correspondentieanalyse (MCA)
• Singuliere waarde decompositie
• Onafhankelijke componentanalyse
• Gebalanceerde iteratieve reductie en clustering met behulp van hiërarchieën (BIRCH)

Les 7: Ensemble learning

In dit deel gaan we dieper in op ensemble learning-technieken en verkennen we sequentiële en parallelle ensemble-methoden. Studenten ontdekken verschillende ensemble-methoden, zoals bagging, boosting en stacking, samen met hun praktische toepassingen. Door middel van begeleide oefeningen doen deelnemers praktische ervaring op met het implementeren van ensemble-technieken om fouten te verminderen en de prestaties van modellen te verbeteren. Daarnaast verkennen ze strategieën zoals middeling en max voting om de resultaten van ensemble learning verder te verbeteren.

Behandelde onderwerpen:

• Ensemble learning
• Sequentiële ensemble-techniek
• Parallelle ensembletechniek
• Verschillende soorten ensembletechnieken
• Bagging
• Boosting
• Stacking

Les 8: Aanbevelingssystemen

Deze module biedt een uitgebreid overzicht van aanbevelingsengines en onderzoekt de onderliggende principes en mechanismen ervan. Deelnemers worden ondergedompeld in verschillende use cases en voorbeelden van aanbevelingssystemen en krijgen inzicht in het ontwerp en de implementatie ervan. Door middel van praktische oefeningen passen deelnemers collaboratieve filteringtechnieken toe, waaronder op geheugen gebaseerde modellering, objectgebaseerde en gebruikersgebaseerde filtering en modelgebaseerde collaboratieve filtering. Daarnaast verkennen ze dimensionaliteitsreductie, matrixfactorisatiemethoden en nauwkeurigheidsmatrices in machine learning om de prestaties van aanbevelingsengines te evalueren en optimaliseren.

Behandelde onderwerpen:

• Hoe werken aanbevelingsengines?
• Gebruiksscenario's voor aanbevelingsengines
• Voorbeelden van aanbevelingssystemen en hoe ze zijn ontworpen ¨
• Gebruik PyTorch om een aanbevelingsengine te bouwen.

Projecten in de industrie

Aan het einde van de cursus voer je twee projecten uit. Je past al je kennis toe en doet praktische ervaring op met je nieuwe kennis.

• Project 1: Analyse van personeelsverloop - Maak ML-programma's om personeelsverloop te voorspellen, inclusief gegevenskwaliteitscontroles, EDA, clustering, enz. en stel strategieën voor personeelsbehoud voor op basis van waarschijnlijkheidsscores.
• Project 2: Segmentatie van liedjes - Voer verkennende data-analyse en clusteranalyse uit om cohorten van liedjes te creëren.

Bonuscursussen:

Bonus 1: Opfrissing wiskunde

• Kansrekening en statistiek
• Coördinatenmeetkunde
• Lineaire algebra
• Eigenwaarden Eigenvectoren en eigendecompositie
• Inleiding tot calculus

Bonus 2: Statistiek essentieel voor datawetenschap

• Inleiding tot statistiek
• De data begrijpen
• Beschrijvende statistiek
• Datavisualisatie
• Kansrekening
• Kansverdelingen
• Steekproeven en steekproeftechnieken
• Inferentiële statistiek
• Toepassing van inferentiële statistiek
• Relatie tussen variabelen
• Toepassing van statistiek in het bedrijfsleven
• Begeleide oefeningen

Belangrijkste kenmerken

Belangrijkste kenmerken

• Cursus en materiaal zijn in het Engels
• Beginners - Gemiddeld niveau voor professionals
• 35+ uur blended learning
• 32 uur live online klassikaal en 6 uur e-learning in eigen tempo
• 1 jaar toegang tot het e-learningplatform voor zelfstudie 24/7 & opnames van lessen
• Flexi Pass mogelijk: mogelijkheid om je cohort binnen de eerste 90 dagen na toegang te herboeken. 90 dagen flexibele toegang tot online cursussen
• Minimaal 50 uur studietijd aanbevolen
• 3 eindprojecten en simulatietest
• Geen examen voor de cursus, maar studenten krijgen een certificaat van voltooiing van de opleiding

Bonus: Naast deze praktische e-learningcursus bieden we je gratis toegang tot onze online klassikale sessies wanneer deze beschikbaar zijn (om de 2-3 maanden), als aanvulling op je e-learning, indien je dat wenst. Je krijgt de kans om te communiceren met de trainer en andere deelnemers. Deze online klassikale sessies worden ook opgenomen, zodat je de opname 1 jaar kunt bewaren.