Certificatiecursus Machine Learning met Python
450,00 EUR
- 40 hours
Deze cursus Machine Learning met Python biedt een diepgaand overzicht van ML-onderwerpen, inclusief werken met realtime gegevens, het ontwikkelen van begeleide en onbegeleide leeralgoritmen, regressie, classificatie en tijdreeksmodellering. In deze certificeringstraining voor machine learning leer je hoe je Python kunt gebruiken om voorspellingen te doen op basis van gegevens. Na afronding van deze cursus Machine Learning met Python ontvang je een certificaat dat jouw vaardigheden als machine learning expert bevestigt.
Overzicht
Ontgrendel de potentie van data met een machine learning cursus in Python
- Bereik carrièresucces met onze uitgebreide cursus machine learning
- Leer van meer dan 40 uur aan toegepast leren en interactieve labs
- Voltooi 4 praktische projecten om je begrip te versterken
- Krijg ondersteuning van mentoren tijdens je leerproces
- Beheers ML-concepten voor certificering
- Verwerf de vaardigheden die nodig zijn om een succesvol machine learning engineer te worden
Speciale Aanbieding:
Naast deze praktische e-learning cursus bieden we je gratis toegang tot onze online klaslokaalsessies. 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 wenst, krijg je de kans om te interageren met de trainer en andere deelnemers. Deze online klaslokaalsessies worden ook opgenomen zodat je ze kunt opslaan.
Vaardigheden:
- Begeleid en onbegeleid leren
- Lineaire en logistische regressie
- KMeans-clustering
- Beslissingsbomen
- Boosting- en baggingtechnieken
- Tijdreeksmodellering
- SVM met kernels
- Naive Bayes
- Willekeurige bosclassificeerders
- Basisprincipes van diep leren
Belangrijkste kenmerken
Taal
De cursus en het materiaal zijn in het Engels
35+ uur aan gemengd leren
32 uur live online klassikaal onderwijs en 6 uur eLearning in eigen tempo
Toegang
Levenslange toegang tot zelfstudie-inhoud
Flexi Pass geactiveerd
de mogelijkheid om uw online live klaslokaal cohort binnen de eerste 90 dagen toegang opnieuw te boeken.
Interactief leren met Google Colabs
Live, online klassikale training door topinstructeurs en praktijkmensen
Projecten
Op ervaring gebaseerde leerprojecten in de industrie
Praktische vaardigheden
en praktische ervaring met het toepassen van machine learning om echte gegevensuitdagingen aan te pakken.
Gratis bonuscursussen
Opfriscursus Wiskunde & Statistiek Essentieel voor Data Science
Cursustijdslijn
Opfriscursus Wiskunde
Gratis Cursus 1
- Waarschijnlijkheid en statistiek
- Coördinatengeometrie
- Lineaire algebra
- Eigenwaarden, eigenvectoren en eigendecompositie
- Inleiding tot de Calculus
Statistiek Essentieel voor Data Science
Gratis Cursus 2
- Inleiding tot de Statistiek
- De gegevens begrijpen
- Beschrijvende Statistiek
- Data Visualisatie
- Waarschijnlijkheid
- Waarschijnlijkheidsverdelingen
- Steekproef en steekproeftechnieken
- Inductieve statistiek
- Toepassing van inferentiële statistiek
- Relatie tussen Variabelen
- Toepassing van statistiek in het bedrijfsleven
- Begeleide oefening
Inleiding
Les 01
Begin dit programma door de cursusonderdelen en de behandelde onderwerpen te begrijpen. Dit zal je helpen om voorbereid te zijn op de komende sessies.
Introductie tot machinaal leren
Les 02
De cursus behandelt de basisconcepten van machine learning, inclusief de definitie en verschillende typen. Er wordt ook dieper ingegaan op de machine learning pipeline, MLOps en AutoML, en inzicht gegeven in het implementeren van machine learning modellen op grote schaal. Daarnaast maken studenten kennis met de belangrijkste Python-pakketten voor machine learning taken, waardoor ze het robuuste ecosysteem van Python kunnen gebruiken om machine learning oplossingen te ontwikkelen.
Onderwerpen:
- Wat is machinaal leren?
- Verschillende soorten machine learning
- Machine learning pipeline, MLOps en AutoML
- Introductie tot Python-pakketten voor machine learning
Begeleid leren
Les 03
Het onderdeel over begeleid leren verkent de praktische toepassingen in verschillende domeinen en gaat gepaard met discussies over de relevantie en het belang ervan in realistische scenario's. Studenten houden zich bezig met praktische activiteiten om gegevens voor te bereiden en vorm te geven voor taken van begeleid leren, gevolgd door discussies over overfitting en underfitting. Daarnaast worden praktische oefeningen aangeboden om deze problemen te detecteren en te vermijden, evenals inzichten in regularisatietechnieken om de prestaties van modellen te optimaliseren en overfitting te verminderen.
Onderwerpen:
- Begeleid leren
- Toepassingen van begeleid leren
- Overfitting en underfitting
- Regularisatie
Regressie en de toepassing ervan
Les 04
Dit segment behandelt de basisprincipes van regressieanalyse, inclusief de definitie en verschillende typen, zoals lineaire, logistische, polynomiale, ridge en lasso regressie. Discussies belichten de kritische aannames die ten grondslag liggen aan lineaire regressie en praktische oefeningen bieden hands-on ervaring in lineaire regressiemodellering. Deelnemers zullen ook betrokken zijn bij data-exploratie door gebruik te maken van technieken zoals SMOTE oversampling en het voorbereiden, bouwen en evalueren van regressiemodellen om vaardig te worden in regressieanalyse.
Onderwerpen:
- Wat is regressie?
- Soorten regressie
- Lineaire regressie
- Kritische aannames voor lineaire regressie
- Logistische regressie
- Oversampling met SMOTE
- Polynoom regressie
- Ridge-regressie
- Lasso-regressie
Classificatie en toepassingen
Les 05
Dit onderdeel behandelt classificatiealgoritmen en hun definities, typen 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. Belangrijke concepten zoals Cohen's Kappa worden ook besproken, gevolgd door kenniscontroles om het begrip te versterken.
Onderwerpen:
- Wat zijn classificatiealgoritmen?
- Verschillende soorten classificatie
- Soorten applicaties en keuze van prestatieparameters
- Naive Bayes
- Stochastische gradient afdaling
- K-buurpopulaties
- Beslissingsboom Willekeurig Bos
- Boruta
- Ondersteuningsvector machine
- Cohens mantel
Onbewaakte Algoritmen
Les 06
Dit segment introduceert studenten in onbegeleide algoritmen, waarbij hun typen, toepassingen en prestatieparameters worden behandeld. Deelnemers gaan aan de slag met praktische activiteiten zoals het visualiseren van output en het toepassen van technieken zoals hiërarchische clustering, K-Means clustering en het K-Medoids algoritme. Daarnaast verkennen ze methoden voor anomaliedetectie en technieken voor dimensionaliteitsreductie zoals Principal Component Analysis (PCA), Singular Value Decomposition en Independent Component Analysis. Praktische toepassingen van deze algoritmen worden gedemonstreerd door middel van begeleide oefeningen, wat het begrip van de studenten van concepten van onbegeleid leren versterkt.
Behandelde onderwerpen:
- Onbewaakte algoritmen
- Verschillende soorten onbegeleide algoritmen
- Wanneer onbegeleide algoritmen te gebruiken?
- Parameters voor prestaties
- Soorten van clustering
- K-Means clustering
- K-Medoids algoritme
- Uitschieters
- Opsporing van uitschieters
- Hoofdcomponentenanalyse
- Correspondentieanalyse en meervoudige correspondentieanalyse (MCA)
- Singuliere waarde decompositie
- Onafhankelijke componentenanalyse
- Gebalanceerde iteratieve reductie en clustering met behulp van hiërarchieën (BIRCH)
Ensemble leren
Les 07
Deze sectie behandelt classificatiealgoritmen en hun definities, typen 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. Belangrijke concepten zoals Cohen's Kappa worden ook besproken, gevolgd door kenniscontroles om het begrip te versterken.
Onderwerpen:
- Wat zijn classificatiealgoritmen?
- Verschillende soorten classificatie
- Soorten applicaties en keuze van prestatieparameters
- Naive Bayes
- Stochastische gradient afdaling
- K-buurpopulaties
- Beslissingsboom Willekeurig Bos
- Boruta
- Ondersteuningsvector machine
- Cohens mantel
Aanbevelingssystemen
Les 08
Deze module biedt een uitgebreid overzicht van aanbevelingssystemen en verkent hun onderliggende principes en mechanismen. Deelnemers worden ondergedompeld in verschillende gebruiksscenario's en voorbeelden van aanbevelingssystemen en krijgen inzicht in hun ontwerp en implementatie. Door middel van praktische oefeningen passen deelnemers collaboratieve filteringstechnieken toe, inclusief geheugen-gebaseerde modellering, object-gebaseerde en gebruiker-gebaseerde filtering, en model-gebaseerde collaboratieve filtering. Daarnaast verkennen ze dimensionaliteitsreductie, matrix factorisatiemethoden en nauwkeurigheidsmatrices in machine learning om de prestaties van aanbevelingssystemen te evalueren en te optimaliseren.
Onderwerpen:
- Hoe werken aanbevelingssystemen?
- Gebruiksscenario's voor aanbevelingssystemen
- Voorbeelden van aanbevelingssystemen en hoe ze zijn ontworpen
- Met PyTorch een aanbevelingssysteem bouwen.
Industriële projecten
Aan het einde van de cursus zul je twee projecten uitvoeren. Je zult alles wat je hebt geleerd toepassen en praktische ervaring opdoen met je nieuwe kennis.
- Project 1: Analyse van personeelsverloop - Maak ML-programma's om personeelsverloop te voorspellen, inclusief controles op datakwaliteit, 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 creëren.
Leerresultaten
Deze cursus machine learning met Python stelt je in staat om:
Soorten ML
Verken de verschillende soorten machine learning en hun respectievelijke kenmerken.
Kernactiviteit
Analyseer de pijplijn van machine learning en begrijp de belangrijke bewerkingen die betrokken zijn bij machine learning (MLOps).
Begeleid leren
Leren over gecontroleerd leren en de brede toepassing ervan.
Passend
Begrijp de concepten van overfitting en underfitting en gebruik technieken om ze te detecteren en te voorkomen.
Regressie
Analyseer verschillende regressiemodellen en hun geschiktheid voor verschillende scenario's. Identificeer lineariteit tussen variabelen en maak correlatiekaarten.
Algoritmen
Som verschillende soorten classificatiealgoritmen op en begrijp hun specifieke toepassingen.
Onbegeleid
Beheers verschillende soorten onbegeleide leermethoden en weet wanneer je ze moet gebruiken. Krijg een diep inzicht in verschillende clustertechnieken bij onbegeleid leren.
Modelleren
Verken verschillende ensemble modelleringstechnieken, zoals bagging, boosting en stacking.
Compare
Evalueer en vergelijk verschillende machine learning frameworks, waaronder TensorFlow en Keras.
PyTorch
Build a recommendation engine with PyTorch
Visualisation
Creating visualisations with Matplotlib, Seaborn, Plotly and Bokeh.
Who Should Enroll in this Program?
A prominent data engineer builds and maintains data structures and architectures for data ingestion, processing, and deployment for large-scale, data-intensive applications. It’s a promising career for both new and experienced professionals with a passion for data, including:
Data Scientist
Machine Learning engineer
Artificial Intelligence Engineer
Business Intelligence Developer
Software Engineer
AI Research Scientist
Natural Language Processing Engineer
AI Product Manager
Eligibility
Eligibility
The Machine Learning certification using Python course is well-suited for intermediate-level participants, including analytics managers, business analysts, information architects, developers looking to become machine learning engineers or data scientists, and graduates seeking a career in data science and machine learning.
Pre-requisites
Learners need to possess an undergraduate degree or a high school diploma. An understanding of basic statistics and mathematics at the college level. Familiarity with Python programming is also beneficial. Before getting into the machine learning Python certification training, one should understand fundamental courses, including Python for data science, math refreshers, and statistics essential for data science.
Veelgestelde vragen
Heb je en zakelijke oplossing of LMS-integratie nodig?
Heb je niet de cursus of het programma gevonden dat geschikt zou zijn voor jouw bedrijf? Heb je een LMS-integratie nodig? Neem contact met ons op! Wij zullen met een passende oplossing komen!