Opleiding : Machinaal leren, methoden en oplossingen
Praktijkcursus - 4d
- 28u00 - Ref. MLB
|
Downloaden in pdf-formaat
Deze cursus delen via mail
 | 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
4,4 / 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.
SAILESH H.
07/07/26
5 / 5
Goede oefeningen om te oefenen
CLAUDINE K.
07/07/26
4 / 5
De cursus is erg interessant, ook al gebruik ik Python niet
PAULINE B.
07/07/26
4 / 5
Zeer interessante inhoud, maar het niveau van de deelnemers liep sterk uiteen. Geef van tevoren aan dat VSC vooraf moet worden geïnstalleerd en vermeld de Python-vereisten. Ga dieper in op de vereisten.
Publicatiedatum : 14/03/2025
DEELNEMERS
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)).
VAARDIGHEDEN VAN DE CURSUSLEIDER
De deskundigen die de cursus leiden zijn specialisten op het betreffende vakgebied. Zij werden geselecteerd door onze pedagogische teams zowel om hun vakkennis als hun pedagogische vaardigheden voor elke cursus die zij geven. Zij hebben minstens vijf tot tien jaar ervaring in hun vakgebied en oefenen of oefenden verantwoordelijke bedrijfsfuncties uit.
BEOORDELINGSMODALITEITEN
De cursusleider beoordeelt de pedagogische vooruitgang van de deelnemer gedurende de gehele cursus aan de hand van meerkeuzevragen, praktijksituaties, praktische opdrachten, …
De deelnemer legt ook van tevoren en naderhand een test af ter bevestiging van de verworven kennis.
TOEGANGSMODALITEITEN EN TERMIJNEN
De inschrijving dient 24 uur voor aanvang van de cursus plaatsgevonden te hebben.
TOEGANKELIJKHEID VOOR MINDERVALIDEN
Is voor u speciale toegankelijkheid vereist? Neem contact op met mevr. FOSSE, contactpersoon voor mindervaliden, via het adres psh-accueil@ORSYS.fr om uw verzoek en de haalbaarheid daarvan zo goed mogelijk te bestuderen.
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)).
VAARDIGHEDEN VAN DE CURSUSLEIDER
De deskundigen die de cursus leiden zijn specialisten op het betreffende vakgebied. Zij werden geselecteerd door onze pedagogische teams zowel om hun vakkennis als hun pedagogische vaardigheden voor elke cursus die zij geven. Zij hebben minstens vijf tot tien jaar ervaring in hun vakgebied en oefenen of oefenden verantwoordelijke bedrijfsfuncties uit.
BEOORDELINGSMODALITEITEN
De cursusleider beoordeelt de pedagogische vooruitgang van de deelnemer gedurende de gehele cursus aan de hand van meerkeuzevragen, praktijksituaties, praktische opdrachten, …
De deelnemer legt ook van tevoren en naderhand een test af ter bevestiging van de verworven kennis.
PEDAGOGISCHE EN TECHNISCHE MIDDELEN
• De gebruikte pedagogische middelen en cursusmethoden zijn voornamelijk: audiovisuele hulpmiddelen, documentatie en cursusmateriaal, praktische oefeningen en correcties van de oefeningen voor praktijkstages, casestudies of reële voorbeelden voor de seminars.
• Na afloop van de stages of seminars verstrekt ORSYS de deelnemers een evaluatievragenlijst over de cursus die vervolgens door onze pedagogische teams wordt geanalyseerd.
• Na afloop van de cursus wordt een presentielijst per halve dag verstrekt, evenals een verklaring van de afronding van de cursus indien de stagiair alle sessies heeft bijgewoond.
• De gebruikte pedagogische middelen en cursusmethoden zijn voornamelijk: audiovisuele hulpmiddelen, documentatie en cursusmateriaal, praktische oefeningen en correcties van de oefeningen voor praktijkstages, casestudies of reële voorbeelden voor de seminars.
• Na afloop van de stages of seminars verstrekt ORSYS de deelnemers een evaluatievragenlijst over de cursus die vervolgens door onze pedagogische teams wordt geanalyseerd.
• Na afloop van de cursus wordt een presentielijst per halve dag verstrekt, evenals een verklaring van de afronding van de cursus indien de stagiair alle sessies heeft bijgewoond.
TOEGANGSMODALITEITEN EN TERMIJNEN
De inschrijving dient 24 uur voor aanvang van de cursus plaatsgevonden te hebben.
TOEGANKELIJKHEID VOOR MINDERVALIDEN
Is voor u speciale toegankelijkheid vereist? Neem contact op met mevr. FOSSE, contactpersoon voor mindervaliden, via het adres psh-accueil@ORSYS.fr om uw verzoek en de haalbaarheid daarvan zo goed mogelijk te bestuderen.
Dit programma is een origineel concept, ontwikkeld door de pedagogische teams van ORSYS Formation. Elke reproductie, weergave, aanpassing of exploitatie, geheel of gedeeltelijk, zonder voorafgaande schriftelijke toestemming van ORSYS, is ten strengste verboden. ORSYS behoudt zich het recht voor om alle nodige maatregelen te nemen ter bescherming van haar intellectuele-eigendomsrechten.
Data en plaats
Selecteer uw locatie of kies voor de les op afstand en kies vervolgens uw datum.
Klas op afstand
Dernières places
Date garantie en présentiel ou à distance
Session garantie
Dit programma is een origineel concept, ontwikkeld door de pedagogische teams van ORSYS Formation. Elke reproductie, weergave, aanpassing of exploitatie, geheel of gedeeltelijk, zonder voorafgaande schriftelijke toestemming van ORSYS, is ten strengste verboden. ORSYS behoudt zich het recht voor om alle nodige maatregelen te nemen ter bescherming van haar intellectuele-eigendomsrechten.