Machine Learning met TensorFlow

Cursus Machine Learning met TensorFlow

De cursus Machine Learning met TensorFlow biedt een uitgebreide introductie tot de basisprincipes van Machine Learning. Hierin worden de verschillen tussen Supervised, Unsupervised en Deep Learning uitgelegd. Daarnaast worden de datatypes van TensorFlow behandeld, waaronder vectors, arrays, lists en scalars. Ook de ontwikkelomgevingen Colab en DataBricks komen aan bod, wat essentieel is voor een praktische benadering van Machine Learning.

Tensors in TensorFlow

In de cursus Machine Learning met TensorFlow wordt verder ingegaan op de centrale Tensor Data Structure, die fungeert als een container voor data in N dimensies. Hierbij worden belangrijke concepten zoals rank, shape en type van tensors besproken. Ook TensorFlow-operaties en sessies worden behandeld, wat essentieel is voor een goed begrip van de werking van TensorFlow.

Neurale Netwerken en hun toepassingen

Een belangrijk onderdeel van de cursus Machine Learning met TensorFlow is de focus op neurale netwerken. Zowel Convolutional als Recurrent Neural Networks worden behandeld. Hierbij komen onderwerpen zoals Convolution, Pooling, en het leggen van verbindingen tussen Input Neurons en Hidden Layers uitgebreid aan bod.

Model Visualisatie met TensorBoard

De visualisatie van modellen is cruciaal in Machine Learning. In de cursus Machine Learning met TensorFlow wordt het gebruik van TensorBoard besproken. Tevens komen onderwerpen zoals Supervised Learning met Linear en Logistic Regression aan bod, evenals Ensemble technieken en Gradient Boosting.

Natuurlijke Taalverwerking

De cursus Machine Learning met TensorFlow behandelt ook Natural Language Processing, waaronder tokenization en tekstclassificatie. Spam detection en de toepassing van Deep Learning in text processing komen ook aan de orde, wat een relevante vaardigheid is in de huidige datagedreven wereld.

TensorFlow Optimizers en Image Processing

Diverse TensorFlow Optimizers, zoals Stochastic Gradient Descent, Gradient clipping en Momentum, worden besproken. Ook wordt ingegaan op Image Processing met Dimensionality Reduction en het gebruik van de Keras API's, wat cruciaal is voor het optimaliseren van modellen.

Model Deployment

Tenslotte sluit de cursus Machine Learning met TensorFlow af met een bespreking van model deployment in productieomgevingen. Onderwerpen zoals het gebruik van modellen als REST Service en Keras Based Models worden uitgebreid behandeld. Voor meer informatie over TensorFlow, bezoek de officiële TensorFlow website. Voor aanvullende kennis over machine learning technieken kan de cursus Machine Learning met Python nuttig zijn.

Doelgroep Cursus Machine Learning met Tensor Flow

De cursus Machine Learning met TensorFlow is bedoeld voor data scientists die Python en de TensorFlow machine learning libraries willen gebruiken voor het doen van voorspellingen op basis van modellen.

Voorkennis training Machine Learning met TensorFlow

Om aan deze cursus te kunnen deelnemen is kennis van en ervaring met Python vereist en kennis van data analyse libraries zoals Numpy, Pandas en Matplotlib wenselijk.

Uitvoering Cursus Machine Learning met TensorFlow

De theorie wordt behandeld aan de hand van presentaties. Illustratieve demo's verduidelijken de concepten. De theorie wordt afgewisseld met oefeningen. Als ontwikkelomgeving wordt de Anaconda distributie met Jupyter notebooks gebruikt. De cursustijden zijn van 9.30 tot 16.30.

Officieel Certificaat Machine Learning met TensorFlow

De deelnemers krijgen na het goed doorlopen van de cursus een officieel certificaat Machine Learning met TensorFlow.

Modules

Module 1 : Intro TensorFlow

• What is TensorFlow?
• Machine Learning
• Supervised Learning
• Unsupervised Learning
• Deep Learning
• Install Anaconda
• Install TensorFlow
• Colab and Databricks
• Vectors and Scalars
• Matrix Calculations

Module 2 : Tensor Data Structure

• Arrays and Lists
• Multiple Dimensions
• Rank, Shape and Type
• TensorFlow Dimensions
• Tensor Manipulations
• TensorFlow Graphs
• Variables and Constants
• TensorFlow Operations
• TensorFlow Sessions
• Placeholders

Module 3 : Neural Networks

• What are Neural Networks?
• Convolutional Neural Networks
• Multiple Layers of Arrays
• Local respective fields
• Convolution and Pooling
• Connecting Input Neurons
• Hidden Layers
• Recurrent Neural Networks
• Sequential Approach
• Layer Independence

Module 4 : Tensor Board

• Data Visualization
• Data Flow Graph
• High Level Blocks
• High Degree Nodes
• Node Representations
• Sequence Numbered Nodes
• Connected Nodes
• Operation Nodes
• Summary Nodes
• Reference Edge

Module 5 : Supervised Learning

• Linear Regression
• Keras and TensorFlow
• Correlation Graph
• Pairplot
• Logistic Regression
• Categorical Outcomes
• Sigmoid Function
• Boosted Trees
• Ensemble Technique
• Gradient Boosting

Module 6 : Natural Language Processing

• NLP Overview
• NLP Curves
• Text Preprocessing
• Tokenization
• Spam Detection
• Word Embeddings
• Deep Learning Model
• Text Classification
• Text Processing
• TensorFlow Projector

Module 7 : TensorFlow Optimizers

• Stochastic Gradient Descent
• Gradient clipping
• Momentum
• Nesterov momentum
• Adagrad
• Adadelta
• RMSProp
• Adam
• Adamax
• SMORMS3

Module 8 : Image Processing

• Convolution Layer
• Pooling Layer
• Fully Connected Layer
• Keras API's
• ConvNets
• Transfer Learning
• Autoencoders
• Dimensionality Reduction
• Compression Techniques
• Variational Autoencoders

Module 9 : Models in Production

• Model Deployment
• Isolation
• Collaboration
• Model Updates
• Model Performance
• Load Balancer
• Model as REST Service
• Templates
• Keras Based Models
• Flask Challenges