Publicatiedatum : 16/07/2024

Opleiding : Een machine-learningproject beheren: de rol van de producteigenaar

Een machine-learningproject beheren met behulp van de beste bedrijfspraktijken

Praktijkcursus - 3d - 21u00 - Ref. IAY
Prijs : 2010 € V.B.

Een machine-learningproject beheren: de rol van de producteigenaar

Een machine-learningproject beheren met behulp van de beste bedrijfspraktijken



AI is een krachtige "technologie" die invloed heeft op alle bedrijfsprocessen, organisaties transformeert en de manier waarop we werken zal veranderen door winstgevendheid en innovatie te stimuleren. Deze transformaties kunnen alleen worden bereikt met bedrijfsteams die AI, de uitdagingen en best practices begrijpen. Deze diepgaande maar niet-technische cursus stelt productmanagers, projectmanagers en producteigenaren in staat om van AI een hefboom te maken voor het creëren van waarde en winstgevendheid. Je verwerft de vaardigheden die nodig zijn om een project met machine learning uit te voeren.


INTER
INTRA
OP MAAT

Praktijkcursus ter plaatse of via klasverband op afstand
Disponible en anglais, à la demande

Ref. IAY
  3d - 21u00
2010 € V.B.




AI is een krachtige "technologie" die invloed heeft op alle bedrijfsprocessen, organisaties transformeert en de manier waarop we werken zal veranderen door winstgevendheid en innovatie te stimuleren. Deze transformaties kunnen alleen worden bereikt met bedrijfsteams die AI, de uitdagingen en best practices begrijpen. Deze diepgaande maar niet-technische cursus stelt productmanagers, projectmanagers en producteigenaren in staat om van AI een hefboom te maken voor het creëren van waarde en winstgevendheid. Je verwerft de vaardigheden die nodig zijn om een project met machine learning uit te voeren.


Pedagogische doelstellingen
Aan het einde van de training is de deelnemer in staat om:
De bedrijfsproblemen identificeren die baat kunnen hebben bij ML (machinaal leren)
Prioriteren van use cases
Afhankelijk van het probleem het juiste model kiezen
Een ML-product/projectaanpak structureren: van gegevensvoorbereiding tot productielancering
Modelprestaties analyseren vanuit een zakelijk perspectief
De uitdagingen en risico's van dit soort projecten begrijpen

Doelgroep
Projectmanagers, productmanagers, producteigenaren.

Voorafgaande vereisten
Projectmanagement onder de knie krijgen.

Praktische modaliteiten
Praktisch werk
Theoretische presentaties, casestudies in groepen, quizzen, demonstraties door de trainer gevolgd door praktische oefeningen om je kennis te consolideren.
Leer methodes
Actief onderwijs, uitwisselingen met AI-experts.

Opleidingsprogramma

1
Kunstmatige intelligentie (AI) en machinaal leren (ML)

  • De uitdagingen van AI.
  • Overzicht van AI (regels VS ML, hybride systemen, etc.).
  • Machinaal leren: concept en gebruikscases.
  • Regressie, classificatie en clustering.
  • Kunstmatige neurale netwerken/diep leren.
  • NLP: principes en toepassingen.
  • Computer vision: principes en toepassingen.
Oefening
IJsbreker om je op weg te helpen.

2
AI-gebruiksgevallen

  • Presentatie van use cases geïmplementeerd in bedrijven.
  • Selectie van use cases voor analyse.
Oefening
Business case analyse om te bepalen of het zinvol is om ML te gebruiken. Welke aanpak moet worden gebruikt?

3
Een machine-learningproject voorbereiden

  • Problemen en risico's.
  • Vereiste vaardigheden.
  • Evalueer en bereid je gegevens voor.
  • Wendbaarheid voor ML-projecten.
Praktisch werk
AI-project: business canvas. Kies een probleem dat door ML moet worden aangepakt. Vul het canvas in.

4
ML-project: waarde creëren

  • Van brood en boter naar waardecreatie.
  • Klantgerichte" benadering, design thinking" benadering.
  • De uitdagingen van het integreren van AI-modellen in bedrijfsprocessen.

5
ML-algoritmen

  • Presentatie.
  • Een probleem modelleren in de zin van machinaal leren: invoer/uitvoer.
  • Belangrijkste kenmerkende algoritmen.
  • Hyperparameters van het model.

6
End-to-end benadering van het ML-project

  • Overfitting/underfitting: wat zijn de oplossingen?
  • Wie doet wat in een ML-project?
  • Met welke methodologie?
  • Van gegevensverwerving tot industrialisatie (geïllustreerd door een use case).
  • Datakwesties: kwantiteit, kwaliteit, niet-representativiteit, focus op "onevenwichtige dataset".
  • Features engineering: irrelevante features, hoe selecteer, extraheer en creëer je nieuwe features.
  • Problemen met gegevens/algoritmen, vooringenomenheid, privacy.
Praktisch werk
Presentatie van use cases: classificatie, clustering, NLP/classificatie. Een use case selecteren, je dataset voorbereiden. De gegevens visualiseren. De relevante "kenmerken" presenteren.

7
Creëren van modellen voor machinaal leren

  • Het AI-ecosysteem.
  • Overzicht van oplossingen, spelers en leveranciers, bestaande online diensten van GAFAM's en start-ups.
  • Python taal, :
  • Gegevensverwerking (NumPy, Pandas, matplotlib, enz.).
  • ML (Keras, scikit-learn, enz.).
  • De DL (Tensorflow).
Praktisch werk
Implementatie van een ML-project en stapsgewijze opvolging van het project met de hulp van een data scientist coach (Voorbereiding en visualisatie van gegevens. Feature selectie. Modeltraining en evaluatie. Prestatiemeting. Creatie van een ML-model zonder code).

8
Bedrijfswaardering

  • Waarde creëren.
  • De uitdagingen van evaluatie.
  • Prestaties.
  • ROI, rendement op investering.

9
Project- en organisatiepraktijken

  • Synthese van best practices vanuit een zakelijk perspectief.
  • Organisatorische vaardigheden binnen een gegevensgestuurde organisatie.


Feedback van klanten
4,3 / 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.
ALICE N.
19/11/25
5 / 5

De cursus was erg interessant en bood veel kennis op de juiste gebieden, maar het onderwerp was erg compact, waardoor er helaas wat minder interactie was.
GUILLAUME L.
19/11/25
5 / 5

zeer compleet, misschien meer eenvoudige representaties om de verwerking van de gegevens door de gegevensanalisten beter te begrijpen, en minder op de python-implementatie die ik niet beheers.
YANNICK D.
19/11/25
5 / 5

Een ingewikkeld onderwerp, maar ik denk dat ik de meeste concepten wel aardig onder de knie heb.



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

KLAS OP AFSTAND
2026 : 23 maa., 4 mei, 8 juli, 14 sep., 23 nov.

PARIS LA DÉFENSE
2026 : 23 maa., 4 mei, 8 juli, 14 sep., 23 nov.