Opleiding : Machinaal leren, methoden en oplossingen

Machinaal leren, methoden en oplossingen




Machine Learning omvat alle methoden en concepten die worden gebruikt om automatisch voorspellings- en besluitvormingsmodellen uit gegevens te halen. Tijdens deze cursus implementeert u de verschillende algoritmen in het veld en leert u over de best practices voor een Machine Learning-project.


INTER
INTRA
OP MAAT

Praktijkcursus ter plaatse of via klasverband op afstand

Ref. MLB
  4d - 28u00
Prijs : Neem contact met ons op




Machine Learning omvat alle methoden en concepten die worden gebruikt om automatisch voorspellings- en besluitvormingsmodellen uit gegevens te halen. Tijdens deze cursus implementeert u de verschillende algoritmen in het veld en leert u over de best practices voor een Machine Learning-project.


Pedagogische doelstellingen
Aan het einde van de training is de deelnemer in staat om:
De verschillende leermodellen begrijpen
Een praktisch probleem in abstracte vorm modelleren
De relevante leermethoden voor het oplossen van een probleem identificeren
De geïdentificeerde methoden toepassen en evalueren op een probleem
De link leggen tussen verschillende leertechnieken

Doelgroep
Ingenieurs/projectmanagers die technieken voor machinaal leren willen overwegen bij het oplossen van industriële problemen.

Voorafgaande vereisten
Basiskennis van Python en basisstatistiek (of kennis die gelijkwaardig is aan die van de cursus "Statistische modellering, de essentie" (Ref. STA)).

Opleidingsprogramma

1
Inleiding tot machinaal leren

  • Big Data en Machine Learning.
  • Algoritmen voor supervised, unsupervised en reinforcement learning.
  • De stappen die nodig zijn om een voorspellend model te bouwen.
  • Uitschieters detecteren en omgaan met ontbrekende gegevens.
  • Hoe kies u het algoritme en de algoritmevariabelen?
Demonstratie
Aan de slag met de Spark-omgeving met Python met behulp van Jupyter Notebook. Bekijk verschillende voorbeelden van de geboden modellen.

2
Modelevaluatieprocedures

  • Technieken voor herbemonstering in trainings-, validatie- en testspellen.
  • Testen van de representativiteit van trainingsgegevens.
  • Prestatiemetingen voor voorspellende modellen.
  • Verwarring en kostenmatrix, ROC- en AUC-curven.
Praktisch werk
Evaluatie en vergelijking van de verschillende algoritmen op de geleverde modellen.

3
Voorspellende modellen, de frequentistische benadering

  • Statistisch leren.
  • Dataconditionering en dimensiereductie.
  • Steunvectormachines en kernelmethoden.
  • Vectorkwantificering.
  • Neurale netwerken en diep leren.
  • Ensemble leren en beslisbomen.
  • Bandietenalgoritmen, optimisme tegenover onzekerheid.
Praktisch werk
Families van algoritmen implementeren met verschillende gegevenssets.

4
Bayesiaanse modellen en leren

  • Principes van Bayesiaans interpreteren en leren.
  • Grafische modellen: Bayesiaanse netwerken, Markovelden, inferentie en leren.
  • Bayesiaanse methoden: Naive Bayes, Gaussische mengsels, Gaussische processen.
  • Markov modellen: Markov processen, Markov ketens, verborgen Markov ketens, Bayesiaanse filtering.
Praktisch werk
Families van algoritmen implementeren met verschillende gegevenssets.

5
Machine Learning in productie

  • De bijzonderheden van het ontwikkelen van een model in een gedistribueerde omgeving.
  • Inzet van Big Data met Spark en MLlib.
  • De cloud: Amazon, Microsoft Azure ML, IBM Bluemix...
  • Modelonderhoud.
Praktisch werk
Productielancering van een voorspellend model met integratie in batchprocessen en verwerkingsstromen.


Feedback van klanten
4,5 / 5
De feedback van klanten is afkomstig van eindevaluaties na de opleiding. De score wordt berekend op basis van alle evaluaties die minder dan 12 maanden oud zijn. Alleen die met een tekstcommentaar worden weergegeven.


Data en plaats
Selecteer uw locatie of kies voor de les op afstand en kies vervolgens uw datum.
Klas op afstand