Opleiding : Machinaal leren, de stand van de techniek

Machinaal leren, de stand van de techniek




Dit seminar gaat dieper in op de problemen bij het verwerken van gegevens met behulp van kunstmatige intelligentie en Machine Learning-algoritmen in het bijzonder. Het toont besluitvormers de belangrijkste algoritmen op dit gebied, praktische oplossingen en de projectaanpak die moet worden toegepast afhankelijk van de use case in het bedrijf.


INTER
INTRA
OP MAAT

seminarie ter plaatse of via klasverband op afstand

Ref. MLE
  2d - 14u00
Prijs : Neem contact met ons op




Dit seminar gaat dieper in op de problemen bij het verwerken van gegevens met behulp van kunstmatige intelligentie en Machine Learning-algoritmen in het bijzonder. Het toont besluitvormers de belangrijkste algoritmen op dit gebied, praktische oplossingen en de projectaanpak die moet worden toegepast afhankelijk van de use case in het bedrijf.


Pedagogische doelstellingen
Aan het einde van de training is de deelnemer in staat om:
Machine Learning positioneren in de gegevensverwerkingsketen
Onderscheid maken tussen de vereiste vaardigheden en de aan te werven profielen
De sleutels tot een succesvol Machine Learning-project identificeren
Begrip van concepten voor machinaal leren en de evolutie van Big Data naar machinaal leren
De uitdagingen van het gebruik van Machine Learning begrijpen, inclusief de verwachte voordelen en voorbeelden van gebruik

Doelgroep
Bedrijfsdirecteuren (CEO, COO, CFO, SG, HRD, enz.), CIO's, CDO's, IT-managers, consultants, Big Data-projectmanagers.

Voorafgaande vereisten
Algemene computervaardigheden en kennis van waarschijnlijkheid en statistiek worden aanbevolen.

Praktische modaliteiten
Leer methodes
Geïllustreerd door casestudies. Presentatie van de belangrijkste use cases per bedrijfssector (auto-industrie, industrie, consumentengoederen, financiën, gezondheid, energie, landbouw, transport, telecommunicatie, enz.)

Opleidingsprogramma

1
Geschiedenis van Machine Learning en de Big Data-context

  • Zet de concepten van Kunstmatige Intelligentie, machinaal leren, enz. weer in perspectief.
  • De link met wiskunde, (inferentiële) statistiek, datamining en data science.
  • Van beschrijvende analyse naar voorspellende en vervolgens prescriptieve analyse.
  • Machine Learning-toepassingen (zoekmachines, spamdetectie, lezen van cheques).
  • De typologie van algoritmen van Dominique CARDON.
  • De Data Science-gemeenschap en Kaggle-uitdagingen (bijv. Netflix).
Casestudy
Studies van concrete toepassingen van Machine Learning (zoekmachines, spamdetectie, het lezen van cheques).

2
Beschikbare gegevens: verzameling en voorbereiding

  • Gestructureerde, halfgestructureerde en ongestructureerde gegevens.
  • Statistische aard van de gegevens (kwalitatief of kwantitatief).
  • Aangesloten objecten (IoT) en streaming.
  • Mogelijkheden en grenzen van Open Data.
  • Correlaties identificeren, het probleem van multicollineariteit.
  • Dimensievermindering door principale componentenanalyse.
  • Detectie en correctie van uitschieters.
  • ETL (Extract Transform Load).
  • Schrapen van het web.
Demonstratie
ETL-demonstratie (Extract Transform Load). Gegevensverzameling via het web.

3
Markttools voor gegevensverwerking en Machine Learning

  • Traditionele software (SAS, SPSS, Stata, etc.) en de openheid naar Open Source.
  • Kies tussen de twee Open Source leiders: Python en R.
  • Cloudplatforms (Azure, AWS, Google Cloud Platform) en SaaS-oplossingen (IBM Watson, Dataïku).
  • Nieuwe banen in bedrijven: data engineer, data scientist, data analist, enz.
  • De juiste vaardigheden afstemmen op deze verschillende tools.
  • Online API's (IBM Watson, Microsoft Cortana Intelligence, enz.).
  • Chatbots (gespreksagenten).
Demonstratie
Demonstratie van een chatbot (conversational agent) en Azure Machine Learning.

4
De verschillende soorten Machine Learning

  • Leren onder toezicht: een voorbeeld herhalen.
  • Leren zonder toezicht: de gegevens ontdekken.
  • Online (Machine) Leren in tegenstelling tot batch technieken.
  • Versterkingsleren: een beloning optimaliseren.
  • Andere vormen van leren (overdracht, sequentieel, actief, enz.).
  • Illustraties (aanbevelingsmotoren, enz.).
Demonstratie
Demonstraties van de verschillende soorten Machine Learning die mogelijk zijn.

5
Machine-learning algoritmen

  • Eenvoudige en meervoudige lineaire regressie. Beperkingen van lineaire benaderingen.
  • Polynomiale regressie (LASSO). Tijdreeksen.
  • Logistische regressie en scoretoepassingen.
  • Hiërarchische en niet-hiërarchische classificatie (KMeans).
  • Classificatie met behulp van beslisbomen of de Naïve Bayes-benadering.
  • Ramdom Forest (ontwikkeling van beslisbomen).
  • Gradiant boosting. Neurale netwerken. Vector-ondersteuningsmachine.
  • Deep Learning: voorbeelden en redenen voor het huidige succes.
  • Text mining: analyse van corpora van tekstuele gegevens.
Demonstratie
Demonstratie van de verschillende basisalgoritmen in R of Python.

6
Algoritmetraining en evaluatieprocedure

  • Scheiding van datasets: trainen, testen en valideren.
  • Bootstrap (bagging) technieken.
  • Voorbeeld van kruisvalidatie.
  • Definitie van een prestatiemeting.
  • Stochastische gradiëntdaling (metrische minimalisatie).
  • ROC- en liftcurven om algoritmen te evalueren en te vergelijken.
  • Verwarringsmatrix: fout-positieven en fout-negatieven.
Demonstratie
De keuze van het beste algoritme aantonen.

7
Productie van een Machine Learning-algoritme

  • Beschrijving van een Big Data-platform.
  • Hoe PLC's werken.
  • Van ontwikkeling tot productie.
  • Correctieve en evolutionaire onderhoudsstrategie.
  • Evaluatie van operationele productiekosten.
Demonstratie
Demonstratie van API's voor geolocatie en sentimentanalyse.

8
Ethische en juridische aspecten van kunstmatige intelligentie

  • De opdracht van de CNIL en toekomstige ontwikkelingen.
  • Recht op toegang tot persoonlijke gegevens.
  • De kwestie van het intellectuele eigendom van algoritmen.
  • Nieuwe functies in het bedrijf: Chief Data Officer en Data Protection Officer.
  • De vraag over de onpartijdigheid van algoritmen.
  • Pas op voor confirmation bias.
  • Sectoren en beroepen beïnvloed door automatisering.
Groepsdiscussie
Brainstormen om de sleutels tot succes te identificeren.


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