AVC Machine Learning - eLearning

- Cursusintroductie.

- Leerdoelen

- De opkomst van Kunstmatige Intelligentie

- Kunstmatige intelligentie in de praktijk

- Sciencefictionfilms met het concept van AI

- Aanbevelingssystemen

- Verband Tussen Kunstmatige Intelligentie, Machine Learning en Data Science - Deel A

- Verband Tussen Kunstmatige Intelligentie, Machine Learning en Data Science - Deel B

- Definitie en kenmerken van machine learning

- Benaderingen voor machine learning

- Technieken voor machine learning

- Toepassingen van Machine Learning - Deel A

- Toepassingen van Machine Learning - Deel B

- Belangrijkste punten

- Leerdoel

- Data-exploratie: Bestanden laden

- Demo: Importeren en Opslaan van Gegevens

- Praktijk: Verkenning van Autogegevens I

- Technieken voor Data Verkenning: Deel 1

- Technieken voor Data Verkenning: Deel 2

- Seaborn

- Demo: Correlatieanalyse

- Praktijk: Verkenning van Autogegevens II

- Data wrangling

- Ontbrekende waarden in een dataset

- Uitschieters in een gegevensverzameling

- Demo: Behandeling van uitschieters en ontbrekende waarden

- Praktijk: Data Verkenning III

- Gegevensmanipulatie

- Functionaliteiten van Data Object in Python: Deel A

- Functionaliteiten van Data Object in Python: Deel B

- Verschillende soorten joins

- Typecasting

- Demo: Vergelijking van arbeidsuren

- Praktijk: Gegevensmanipulatie

- Belangrijkste punten

- Project aan het einde van de les: Testresultaten opslaan

- Leerdoelen

- Begeleid leren

- Begeleid leren - Praktijkscenario

- Het algoritme begrijpen

- Begeleide Leerstroom

- Soorten begeleid leren – Deel A

- Soorten begeleid leren – Deel B

- Soorten classificatiealgoritmen

- Soorten regressiealgoritmen - Deel A

- Gebruikscasus voor regressie

- Nauwkeurigheidsmetrieken

- Kostfunctie

- Coëfficiënten Evalueren

- Demo: Lineaire regressie

- Praktijk: Huizen in Boston I

- Uitdagingen bij het voorspellen

- Soorten regressiealgoritmen - Deel B

- Demo: Bigmart

- Praktijk: Boston Homes II

- Logistische regressie - Deel A

- Logistische regressie - Deel B

- Sigmoïde waarschijnlijkheid

- Nauwkeurigheidsmatrix

- Demo: Overleving van Titanic-passagiers

- Praktijk: Irissoorten

- Belangrijkste punten

- Eindproject Les: Kosten Gezondheidsverzekering

- Leerdoelen

- Kenmerkselectie

- Regressie

- Factoranalyse

- Proces van Factoranalyse

- Hoofdcomponentenanalyse (PCA)

- Eerste Hoofdcomponent

- Eigenwaarden en PCA

- Demo: Functiereductie

- Praktijk: PCA-transformatie

- Lineaire Discriminantanalyse

- Maximale Scheidbare Lijn

- Vind de Maximale Scheidbare Lijn

- Demo: Gelabelde kenmerkreductie

- Praktijk: LDA-transformatie

- Belangrijkste punten

- Project aan het einde van de les: Vereenvoudiging van kankerbehandeling

- Leerdoelen

- Overzicht van classificatie

- Classificatie: Een algoritme voor begeleid leren

- Gebruiksscenario's

- Classificatiealgoritmen

- Beslissingsboom: Classificeerder

- Beslissingsboom: Voorbeelden

- Beslissingsboom: Vorming

- Het kiezen van de classificeerder

- Overfitting van beslissingsbomen

- Random Forest Classifier - Bagging en Bootstrapping

- Beslissingsboom en Random Forest Classifier

- Prestatiemaatstaven: Verwarringsmatrix

- Prestatiemaatstaven: Kostenmatrix

- Demo: Paardenoverleving

- Praktijk: Risicoanalyse van leningen

- Naïeve Bayes-classificator

- Stappen om de posterieure waarschijnlijkheid te berekenen: Deel A

- Stappen om de Posterior Waarschijnlijkheid te Berekenen: Deel B

- Support Vector Machines: Lineaire Splitsbaarheid

- Support Vector Machines: Classificatiemarge

- Lineaire SVM: Wiskundige Representatie

- Niet-lineaire SVM's

- De Kernel Truc

- Demo: Stemclassificatie

- Praktijk: Classificatie van hogescholen

- Belangrijkste punten

- Project aan het einde van de les: Kinematische gegevens classificeren

- Leerdoelen

- Overzicht Voorbeeld en Toepassingen van Onbegeleid Leren

- Clustering Hiërarchische clustering

- Hiërarchische clustering: Voorbeeld

- Demo: Dieren clusteren

- Praktijk: Klantsegmentatie

- K-means clustering

- Optimaal aantal clusters

- Demo: Clustergebaseerde Stimulering

- Praktijk: Beeldsegmentatie

- Belangrijkste punten

- Project aan het einde van de les: Clustering van beeldgegevens

- Leerdoelen

- Overzicht van tijdreeksmodellering

- Typen tijdreeksenpatronen Deel A

- Typen tijdreeksenpatronen Deel B

- Witte Ruis

- Stationariteit Verwijdering van Niet-Stationariteit

- Demo: Luchtpassagiers I

- Praktijk: Bierproductie I

- Tijdreeksmodellen Deel A

- Tijdreeksmodellen Deel B

- Tijdreeksmodellen Deel C

- Stappen in tijdreeksvoorspelling

- Demo: Luchtreizigers II

- Praktijk: Bierproductie II

- Belangrijkste punten

- Project aan het einde van de les: IMF Grondstoffenprijsvoorspelling

- Leerdoelen

- Overzicht Ensemble Leermethoden Deel A

- Methoden voor ensembleleren Deel B

- Werking van AdaBoost

- AdaBoost-algoritme en stroomdiagram

- Gradient Boosting

- XGBoost

- XGBoost Parameters Deel A

- XGBoost Parameters Deel B

- Demo: Diabetes bij Pima-indianen

- Praktijk: Lineair Scheidbare Soorten

- Modelkeuze

- Gangbare splitsingsstrategieën

- Demo: Kruisvalidatie

- Praktijk: Modelselectie

- Belangrijkste punten

- Project aan het einde van de les: Classifier Model afstemmen met XGBoost

- Leerdoelen

- Inleiding

- Doeleinden van aanbevelingssystemen

- Paradigma's van aanbevelingssystemen

- Collaboratieve Filtering Deel A

- Collaboratieve Filtering Deel B

- Associatieregelinductie

- Associatieregel Mining: Marktmandje Analyse

- Genereren van associatieregels: Apriori-algoritme

- Voorbeeld van Apriori-algoritme: Deel A

- Voorbeeld van Apriori-algoritme: Deel B

- Apriori Algorithm: Rule Selection

- Demo: User-Movie Recommendation Model

- Practice: Movie-Movie recommendation

- Key Takeaways

- Lesson-end Project: Book Rental Recommendation

- Leerdoelen

- Overzicht van Tekstanalyse

- Belang van Tekstanalyse

- Toepassingen van Tekstanalyse

- Natural Language Toolkit-bibliotheek

- Tekstextractie en Voorbewerking: Tokenisatie

- Tekstextractie en Voorbewerking: N-grams

- Tekstextractie en Voorbewerking: Stopwoordverwijdering

- Tekstextractie en Voorbewerking: Stemmingsanalyse

- Tekstextractie en Voorbewerking: Lemmatisering

- Tekstextractie en Voorbewerking: POS-tagging

- Tekstextractie en Voorbewerking: Herkenning van Genoemde Entiteiten

-NLP Proces Workflow

- Demonstratie: Verwerking van Brown-corpus

- Oefening: Wiki-corpus

- Structurering van Zinnen: Syntax-Weergave Syntax Bomen

- Structurering van Zinnen: Chunking en Chunken Analyse

- NP en VP Chunk en Parser

- Structurering van Zinnen: Chunken Contextvrij

- Grammatica (CFG) Demonstratie: Twitter Sentimenten

- Oefening: Luchtvaartsentiment

- Belangrijkste Leerpunten

- Les-einde Project: FIFA Wereldbeker

Ontwerp een algoritme dat de te berekenen tarieven voor een passagier kan bepalen. Uber wil de nauwkeurigheid van zijn tariefvoorspellingsmodel verbeteren. Help Uber door de beste gegevens- en AI-technologieën te kiezen voor het bouwen van zijn volgende generatie model.

Verkort de tijd die een Mercedes-Benz op de testbank doorbrengt. Mercedes-Benz wil de tijd die modellen op zijn testbank doorbrengen verkorten, waardoor ze sneller naar de marketingfase kunnen gaan. Bouw en optimaliseer een machine learning algoritme om dit probleem op te lossen.

Ontwerp een algoritme om nauwkeurig toegangsrechten voor Amazon-medewerkers te voorspellen. Gebruik de gegevens van Amazon-medewerkers en hun toegangsrechten om een model te bouwen dat automatisch toegangsrechten bepaalt wanneer medewerkers rollen binnen Amazon betreden en verlaten.

Identificeer het inkomensniveau dat nodig is voor gezinnen in Latijns-Amerika om in aanmerking te komen. De Inter-Amerikaanse Ontwikkelingsbank wil mensen kwalificeren voor een hulpprogramma. Help de bank bij het opbouwen en verbeteren van de nauwkeurigheid van het gegevensbestand met behulp van een random forest-classifier.

Het examen wordt volledig online afgenomen. Je hebt 3 examenpogingen. Het is noodzakelijk om het examen meer dan 48 uur van tevoren te boeken.

• Meerkeuzevragen
• 90 vragen per examen
• Eén punt wordt toegekend voor elk correct antwoord
• Er worden geen strafpunten gegeven voor verkeerde antwoorden
• Duur van 120 minuten
• Proctoring tijdens het online examen