Machine Learning met Python - Certificeringscursus (Machine leren)

Machine leren met Python

Certificeringscursus

Ontgrendel het gegevenspotentieel met de cursus machinaal leren met Python

• Behaal succes in uw carrière met onze uitgebreide cursus machinaal leren
• Leer van meer dan 40 uur toegepast leren en interactieve labs
• Voltooi 4 praktische projecten om uw begrip te versterken
• Krijg ondersteuning van mentoren tijdens uw leerproces
• Beheers de belangrijkste ML concepten voor certificering
• Doe de vaardigheden op die nodig zijn om een succesvolle machine learning engineer te worden

Aanbieding: Naast deze praktijkgerichte e-learningcursus bieden we u gratis toegang tot onze online klassikale sessies. Je hebt 90 dagen de tijd om gratis online trainingssessies te boeken, die altijd op flexibele tijden plaatsvinden. Naast je e-learning en als je dat wilt, heb je de mogelijkheid om te communiceren met de trainer en andere deelnemers. Deze online klassikale sessies worden ook opgenomen, zodat u ze kunt opslaan.

Machine Learning met Python Cursusoverzicht

Deze Machine Learning met Python cursus biedt een diepgaand overzicht van ML onderwerpen, waaronder het werken met real-time data, het ontwikkelen van supervised en unsupervised learning algoritmen, regressie, classificatie en tijdreeksmodellering. In deze machine learning certificeringstraining leer je hoe je Python kunt gebruiken om voorspellingen te doen op basis van gegevens.

Machine Learning met behulp van Python - Belangrijkste kenmerken

• 30+ uur blended learning
• 30+ begeleide oefeningen en kenniscontroles per les
• Flexi Pass ingeschakeld: mogelijkheid om je cohort opnieuw te boeken binnen de eerste 90 dagen van toegang.
• 90 dagen flexibele toegang tot online cursussen
• Live, online klassikale training door topinstructeurs en praktijkmensen
• Levenslange toegang tot zelfstudie-inhoud
• Op de industrie gebaseerde projecten voor ervaringsleren
• Interactief leren met Google Colabs
• Toegewijde live sessies door docenten met experts uit de branche
• Praktische vaardigheden en praktijkervaring in het toepassen van machine learning om echte data-uitdagingen aan te gaan.

Vaardigheden

• Leren onder toezicht en zonder toezicht
• Lineaire en logistische regressie
• KMeans clustering
• Beslisbomen
• Boosting en Bagging technieken
• Modelleren van tijdreeksen
• SVM met kernels
• Naïeve Bayes
• Random forest classifiers
• Grondbeginselen van diep leren

Belangrijkste leerresultaten

Deze cursus machinaal leren met Python zal je in staat stellen om:

• De verschillende soorten machinaal leren en hun respectieve kenmerken te onderzoeken.
• De pijplijn van machinaal leren analyseren en de belangrijkste bewerkingen begrijpen die betrokken zijn bij machinaal leren (MLOps).
• Leren over supervised learning en het brede scala aan toepassingen.
• De concepten van overfitting en underfitting begrijpen en technieken gebruiken om deze op te sporen en te voorkomen.
• Verschillende regressiemodellen en hun geschiktheid voor verschillende scenario's analyseren.
• Lineariteit tussen variabelen identificeren en correlatiekaarten maken.
• Verschillende soorten classificatiealgoritmen opnoemen en hun specifieke toepassingen begrijpen.
• Verschillende soorten methoden voor ongesuperviseerd leren onder de knie krijgen en weten wanneer ze te gebruiken.
• Een diepgaand begrip krijgen van verschillende clusteringstechnieken in unsupervised learning.
• Verschillende ensemble modelleringstechnieken onderzoeken, zoals bagging, boosting en stacking.
• Verschillende raamwerken voor machinaal leren evalueren en vergelijken, waaronder TensorFlow en Keras.
• Een aanbevelingsmachine bouwen met PyTorch
• Visualisaties maken met Matplotlib, Seaborn, Plotly en Bokeh.

Opleidingsplan

1. Cursus inleiding
2. Inleiding tot machinaal leren
3. Begeleid leren
4. Regressie en toepassingen
5. Classificatie en toepassingen
6. Algoritmen voor leren zonder toezicht
7. Ensemble leren
8. Recommender systemen

Les 1: Inleiding 

Begin met dit programma door de cursusonderdelen en de behandelde onderwerpen te begrijpen. Dit zal u helpen om voorbereid te zijn op de komende sessies.

Les 2: Inleiding tot machinaal leren

De cursus behandelt de basisconcepten van machine learning, inclusief de definitie en de verschillende types. Er wordt ook dieper ingegaan op de machine learning-pijplijn, MLOps en AutoML, waarbij inzicht wordt gegeven in het inzetten van machine learning-modellen op schaal. Daarnaast maken studenten kennis met de belangrijkste Python-pakketten voor machine-leertaken, zodat ze het robuuste ecosysteem van Python kunnen gebruiken om machine-leeroplossingen te ontwikkelen.

Onderwerpen:

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

Les 3: Begeleid leren

Het onderdeel over gesuperviseerd leren verkent de praktische toepassingen ervan in verschillende domeinen en gaat gepaard met discussies over de relevantie en het belang ervan in real-world scenario's. Studenten gaan aan de slag met praktische activiteiten om gegevens voor te bereiden en vorm te geven voor supervised learning-taken, gevolgd door discussies over overfitting en underfitting. Daarnaast worden praktische oefeningen aangeboden om deze problemen op te sporen en te voorkomen, evenals inzichten in regularisatietechnieken om de prestaties van modellen te optimaliseren en overfitting te beperken.

Onderwerpen:

• Toezichthoudend leren
• Toepassingen van gesuperviseerd leren
• Overfitting en underfitting
• Regularisatie

Les 4: Regressie en de toepassing ervan

Dit segment gaat dieper in op de basisprincipes van regressieanalyse en behandelt de definitie en verschillende types, waaronder lineaire, logistische, polynomiale, nok- en lasso-regressie. Discussies benadrukken de kritische aannames die ten grondslag liggen aan lineaire regressie en praktische oefeningen bieden praktische ervaring in lineaire regressiemodellering. Deelnemers gaan ook aan de slag met gegevensverkenning met technieken zoals SMOTE oversampling en het voorbereiden, bouwen en evalueren van regressiemodellen om bedreven te raken in regressieanalyse.

Onderwerpen:

• Wat is regressie?
• Soorten regressie
• Lineaire regressie
• Kritische aannames voor lineaire regressie
• Logistische regressie
• Overbemonstering met SMOTE
• Polynomiale regressie
• Nokregressie
• Lasso-regressie

Les 5: Classificatie en toepassingen

Dit deel behandelt classificatiealgoritmen en hun definities, types en toepassingen, en de keuze van prestatieparameters. Deelnemers worden ondergedompeld in verschillende classificatietechnieken, zoals Naive Bayes, Stochastic Gradient Descent, K-Nearest Neighbours, Decision Trees, Random Forest, Boruta en Support Vector Machines, door middel van discussies en begeleide oefeningen. Sleutelconcepten zoals Cohen's Kappa worden ook besproken, gevolgd door kenniscontroles om het begrip te versterken.

Onderwerpen:

• Wat zijn classificatiealgoritmen?
• Verschillende soorten classificatie
• Typen toepassingen en keuze van prestatieparameters
• Naïeve Bayes
• Stochastische gradiëntdaling
• K-buurvolkeren
• Beslisboom Random Forest
• Boruta
• Ondersteunende vector machine
• De mantel van Cohen

Les 6: Algoritmen zonder supervisie

In dit segment maken leerlingen kennis met algoritmen zonder supervisie, waarbij hun soorten, toepassingen en prestatieparameters aan bod komen. Deelnemers nemen deel aan praktische activiteiten zoals het visualiseren van de uitvoer en het toepassen van technieken zoals hiërarchische clustering, K-Means clustering en het K-Medoids algoritme. Daarnaast verkennen ze anomaliedetectiemethoden en dimensionaliteitsreductietechnieken zoals Principal Component Analysis (PCA), Singular Value Decomposition en Independent Component Analysis. Praktische toepassingen van deze algoritmen worden gedemonstreerd door middel van begeleide oefeningen, waardoor studenten de concepten van unsupervised learning beter begrijpen.

Onderwerpen:

• Niet-gesuperviseerde algoritmen
• Verschillende soorten algoritmen zonder supervisie
• Wanneer algoritmen zonder supervisie gebruiken?
• Parameters voor prestaties
• Soorten clustering
• K-Means clustering
• K-Medoids algoritme
• Uitschieters
• Detectie van uitschieters
• Principale componentenanalyse
• Correspondentieanalyse en meervoudige correspondentieanalyse (MCA)
• Singuliere waarde decompositie
• Onafhankelijke componentenanalyse
• Gebalanceerde iteratieve reductie en clustering met behulp van hiërarchieën (BIRCH)

Les 7: Ensemble leren

In dit onderdeel verdiepen we ons in ensembleleertechnieken en verkennen we sequentiële en parallelle ensemblemethoden. Leerlingen ontdekken verschillende ensemblemethoden, zoals bagging, boosting en stacking, samen met hun praktische toepassingen. Door middel van begeleide oefeningen doen deelnemers praktijkervaring op met het implementeren van ensembletechnieken om fouten te verminderen en de modelprestaties te verbeteren. Daarnaast verkennen ze strategieën zoals middeling en max voting om de leerresultaten van ensembles verder te verbeteren.

Onderwerpen:

• Ensembleleren
• Sequentiële ensembletechniek
• Parallelle ensembletechniek
• Verschillende soorten ensemblemethoden
• Bagging
• Boosting
• Stapelen

Les 8: Aanbevelingssystemen

Deze module biedt een uitgebreid overzicht van aanbevelingsmachines en verkent hun onderliggende principes en mechanismen. Deelnemers worden ondergedompeld in verschillende use cases en voorbeelden van aanbevelingssystemen en krijgen inzicht in hun ontwerp en implementatie. Door middel van praktijkoefeningen passen deelnemers collaboratieve filtertechnieken toe, waaronder geheugengebaseerde modellering, objectgebaseerde en gebruikersgebaseerde filtering en modelgebaseerde collaboratieve filtering. Daarnaast verkennen ze dimensionaliteitsreductie, matrixfactorisatiemethoden en nauwkeurigheidsmatrices in machinaal leren om de prestaties van aanbevelingsmachines te evalueren en te optimaliseren.

Onderwerpen:

• Hoe werken aanbevelingsmachines?
• Gebruikscases voor aanbevelingsmachines
• Voorbeelden van aanbevelingssystemen en hoe ze zijn ontworpen ¨
• PyTorch gebruiken om een aanbevelingsmotor te bouwen.

Projecten in de industrie

Aan het einde van de cursus doe je twee projecten. Je past al het geleerde toe en doet praktijkervaring op met je nieuwe kennis.

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

Certificaat

Na afronding van deze Machine Learning met behulp van Python cursus ontvang je een certificaat, dat getuigt van jouw vaardigheden als machine learning expert.