Machine Learning met TensorFlow

In de cursus Machine Learning met TensorFlow van SpiralTrain leren de deelnemers machine learning en deep learning applicaties te implementeren met het open source TensorFlow framework.

TensorFlow Machine Learning

De cursus Machine Learning met TensorFlow gaat van start met een overzicht van de basis principes van Machine Learning en de verschillen van Supervised, Unsupervised en Deep Learning. Ook worden de data types van TensorFlow behandeld met vectors, arrays, lists en scalars en komen de Colab en DataBricks ontwikkelomgevingen aan de orde.

Tensors

Vervolgens wordt in de cursus Machine Learning met TensorFlow ingegaan op de centrale Tensor Data Structure die beschouwd kan worden als een container waarin data in N dimensies kan worden opgeslagen. Hierbij worden rank, shape en type van tensors besproken en komen ook TensorFlow operaties en sessies aan bod.

Neurale Netwerken

Speciale aandacht gaat er dan uit naar neurale netwerken waarbij zowel Convolutional als Recurrent Neural Networks worden behandeld. Ook Convolution en Pooling, verbindingen maken tussen Input Neurons en Hidden Layers komen daarbij ter sprake.

Model Visualisatie

Ook de Visualisatie van modellen met TensorBoard is onderdeel van het programma van de cursus Machine Learning met TensorFlow. Supervised Learning met Linear en Logistic Regression passeren daarbij de revu en Ensemble technieken en Gradient Boosting worden behandeld.

Text Processing

Voorst wordt in de cursus Machine Learning met TensorFlow ingegaan op Natural Language Processing met tokenization en tekst classificatie. Hierbij wordt spam detection behandeld en wordt ingegaan op Deep Learning.

TensorFlow Optimizers

Diverse TensorFlow Optimizers zoals Stochastic Gradient Descent, Gradient clipping en Momentum komen aan bod. En ook Image Processing met Dimensionality Reduction en met gebruik van de Keras API's wordt behandeld.

Model Deployment

Tenslotte wordt de cursus Machine Learning met TensorFlow afgesloten een bespreking van models in production. Onder andere worden dan Models als REST Service en Keras Based Models besproken.

Doelgroep Cursus Machine Learning met Tensor Flow

De cursus Machine Learning met TensorFlow is bedoeld voor data scientists die Python en de TensorFlow machine learning libraries willen gebruiken voor het doen van voorspellingen op basis van modellen.

Voorkennis training Machine Learning met TensorFlow

Om aan deze cursus te kunnen deelnemen is kennis van en ervaring met Python vereist en kennis van data analyse libraries zoals Numpy, Pandas en Matplotlib wenselijk.

Uitvoering Cursus Machine Learning met TensorFlow

De theorie wordt behandeld aan de hand van presentaties. Illustratieve demo's verduidelijken de concepten. De theorie wordt afgewisseld met oefeningen. Als ontwikkelomgeving wordt de Anaconda distributie met Jupyter notebooks gebruikt. De cursustijden zijn van 9.30 tot 16.30.

Officieel Certificaat Machine Learning met TensorFlow

De deelnemers krijgen na het goed doorlopen van de cursus een officieel certificaat Machine Learning met TensorFlow.

Modules

Module 1 : Intro TensorFlow

• What is TensorFlow?
• Machine Learning
• Supervised Learning
• Unsupervised Learning
• Deep Learning
• Install Anaconda
• Install TensorFlow
• Colab and Databricks
• Vectors and Scalars
• Matrix Calculations

Module 2 : Tensor Data Structure

• Arrays and Lists
• Multiple Dimensions
• Rank, Shape and Type
• TensorFlow Dimensions
• Tensor Manipulations
• TensorFlow Graphs
• Variables and Constants
• TensorFlow Operations
• TensorFlow Sessions
• Placeholders

Module 3 : Neural Networks

• What are Neural Networks?
• Convolutional Neural Networks
• Multiple Layers of Arrays
• Local respective fields
• Convolution and Pooling
• Connecting Input Neurons
• Hidden Layers
• Recurrent Neural Networks
• Sequential Approach
• Layer Independence

Module 4 : Tensor Board

• Data Visualization
• Data Flow Graph
• High Level Blocks
• High Degree Nodes
• Node Representations
• Sequence Numbered Nodes
• Connected Nodes
• Operation Nodes
• Summary Nodes
• Reference Edge

Module 5 : Supervised Learning

• Linear Regression
• Keras and TensorFlow
• Correlation Graph
• Pairplot
• Logistic Regression
• Categorical Outcomes
• Sigmoid Function
• Boosted Trees
• Ensemble Technique
• Gradient Boosting

Module 6 : Natural Language Processing

• NLP Overview
• NLP Curves
• Text Preprocessing
• Tokenization
• Spam Detection
• Word Embeddings
• Deep Learning Model
• Text Classification
• Text Processing
• TensorFlow Projector

Module 7 : TensorFlow Optimizers

• Stochastic Gradient Descent
• Gradient clipping
• Momentum
• Nesterov momentum
• Adagrad
• Adadelta
• RMSProp
• Adam
• Adamax
• SMORMS3

Module 8 : Image Processing

• Convolution Layer
• Pooling Layer
• Fully Connected Layer
• Keras API's
• ConvNets
• Transfer Learning
• Autoencoders
• Dimensionality Reduction
• Compression Techniques
• Variational Autoencoders

Module 9 : Models in Production

• Model Deployment
• Isolation
• Collaboration
• Model Updates
• Model Performance
• Load Balancer
• Model as REST Service
• Templates
• Keras Based Models
• Flask Challenges