AI Machine Learning met Python

In van data-analyse naar werkende machine learning-modellen. Je bouwt vijf modellen op je eigen data, van regressie tot neural network, en zet je model klaar voor gebruik. Praktisch, met realistische datasets en ruimte voor je eigen casus.

Omschrijving

In deze cursus leer je hoe je machine learning toepast met Python. Je werkt in een Jupyter-omgeving met scikit-learn, pandas en numpy, en oefent met realistische datasets uit de praktijk. In bouw je vijf werkende modellen op je eigen data.

Je begint bij de basis: het verschil tussen supervised en unsupervised learning, de standaard ML-workflow en het voorbereiden van je data. Daarna bouw je op naar geavanceerdere modellen. Je traint regressiemodellen, decision trees en random forests, past clustering toe met k-means en maakt kennis met neural networks via TensorFlow of PyTorch.

Je leert ook hoe je modellen kritisch evalueert met cross-validatie, hoe je overfitting voorkomt en hoe je een model klaarzet voor productie via een eenvoudige API. Op dag 3 combineer je klassieke ML met de Anthropic- en OpenAI-API's voor hybride oplossingen, en staan ethiek en bias op het programma. Je sluit af met een eigen casus: je past het geleerde toe op je eigen dataset.

Na afloop ontvang je een werkmap met alle notebooks, voorbeelddatasets en een cheatsheet met de belangrijkste scikit-learn-recepten. De cursus wordt klassikaal of online via Microsoft Teams gegeven, met maximaal 8 deelnemers per groep.

Onderwerpen

• Supervised versus unsupervised learning: wanneer kies je wat
• De scikit-learn-workflow: data splitsen, trainen, evalueren en itereren
• Data voorbereiden en feature engineering voor betere modelprestaties
• Lineaire en logistische regressie bouwen en interpreteren
• Decision trees en random forests voor classificatie en regressie
• Clustering met k-means voor unsupervised vraagstukken
• Neural networks: een eerste model bouwen met TensorFlow of PyTorch
• Model evaluatie met precision, recall, F1, ROC en cross-validatie
• Overfitting herkennen en voorkomen met regularisatie en validatie
• Modellen deployen via een eenvoudige API
• Hybride oplossingen: ML combineren met de Anthropic- en OpenAI-API's
• Ethiek en bias in machine learning: herkennen en aanpakken

Resultaat

Na deze training bouw je zelfstandig machine learning-modellen in Python. Je weet welk model bij welk vraagstuk past, hoe je data voorbereidt en hoe je een model kritisch evalueert voordat je het in gebruik neemt.

Concreet kun je na afloop:

een complete ML-workflow opzetten in scikit-learn, van data splitsen tot evalueren, lineaire en logistische regressie, decision trees en random forests bouwen en interpreteren, clustering toepassen met k-means voor unsupervised vraagstukken, een eerste neural network bouwen met TensorFlow of PyTorch, modellen evalueren met cross-validatie en de juiste metrics kiezen, overfitting herkennen en voorkomen met regularisatie en validatie, een model deployen via een eenvoudige API en combineren met de Anthropic- en OpenAI-API's, ethische valkuilen en bias in je data en modellen herkennen.

Je vertrekt met vijf werkende modellen op je eigen data, een werkmap met notebooks en een cheatsheet met de belangrijkste scikit-learn-recepten.

Doelgroep

Werk je met Python en wil je de stap maken van data-analyse naar machine learning? Dan zit je goed bij deze training.

De cursus is bedoeld voor:

Python-ontwikkelaars die ML willen toevoegen aan hun gereedschapskist, data-analisten die verder willen dan beschrijvende statistiek en dashboards, data scientists in opleiding die een stevige praktische basis willen leggen, iedereen die de Learnit Python-leerlijn wil afronden van basis naar machine learning.

Je hebt ervaring met Python en werkt zelfstandig met pandas en numpy. Basiskennis van statistiek (gemiddelden, standaarddeviatie, correlatie, verdelingen) is vereist. Voorkennis van machine learning is niet nodig. Twijfel je over je niveau? Onze cursus Python voor data-analyse sluit hier mooi op aan.

Voor de training werk je in Python met Jupyter-notebooks. Heb je geen werkende Python-omgeving? Dan kun je gebruikmaken van de Learnit-online omgeving.

Lesmethodiek

Je werkt praktisch in Python onder begeleiding van een ervaren docent. We wisselen korte uitleg af met directe oefening: je krijgt een concept aangereikt, past het toe in een notebook en ziet meteen wat het model doet met je data.

Op dag 1 leg je het fundament met supervised learning en de scikit-learn-workflow. Op dag 2 verdiep je je in decision trees, random forests, clustering en model evaluatie. Op dag 3 maak je kennis met neural networks, deployment en hybride oplossingen met de Anthropic- en OpenAI-API's. Je sluit af met je eigen dataset, zodat je het geleerde direct toepast op een vraagstuk uit je werk.

De groep telt maximaal 8 deelnemers, waardoor er ruimte is voor persoonlijke vragen en feedback. De training is klassikaal of online via Microsoft Teams te volgen. Je ontvangt een werkmap met alle notebooks, voorbeelddatasets en een cheatsheet met de belangrijkste scikit-learn-recepten.

Voorkennis

Je werkt zelfstandig met Python en kent pandas en numpy goed. Basisstatistiek (gemiddelde, standaarddeviatie, correlatie, verdelingen) is bekend terrein. Voorkennis van machine learning is niet nodig. Handig is een laptop met Python en Jupyter, of je werkt in onze online omgeving.

Incompany

Wil je deze training organiseren voor een hele groep of meerdere groepen? Dit kan voordelig zijn. We kunnen bijvoorbeeld de inhoud geheel op jouw organisatie afstemmen en een hele groep trainen is bovendien voordeliger.

Gaat het om grote aantallen of een complete academy? Daar komt veel bij kijken. Denk bijvoorbeeld aan planning en communicatie, het inventariseren en afstemmen van de doelen en inhoud van de training. Of aan niveauverschillen, feedback mechanismen en borging. Gelukkig heeft Learnit een rijke ervaring op dit gebied (meer dan 25 jaar) en we helpen je graag bij dit proces.

Vraag hier een offerte aan

Taal

De training wordt standaard verzorgd in het Nederlands. De trainer beheerst de Engelse taal. Er kan gebruik gemaakt worden van Engelstalig cursusmateriaal. Bij inschrijving van minimaal 3 deelnemers kan de training ook geheel in het Engels verzorgd worden.