Machine Learning met Python

Cursus Machine Learning met Python Intro

De cursus Machine Learning met Python biedt een uitgebreide introductie tot de basisconcepten van Machine Learning. In deze cursus leren deelnemers hoe modellen worden gemaakt op basis van aangeleverde data. Daarbij wordt het verschil tussen Supervised en Unsupervised Learning duidelijk uitgelegd.

Scikit-learn Library

Vervolgens wordt ingegaan op de libraries die het fundament vormen achter Machine Learning met Python, waaronder Scikit-learn, Numpy, Pandas, MatPlotLib en Seaborn. In de basisarchitectuur van Scikit-learn wordt de data gesplitst in een feature matrix en een target array. Ook wordt behandeld hoe een model wordt getraind met een training set en hoe dit vervolgens wordt vergeleken met een test set via de Estimator API.

Feature Engineering in de Cursus Machine Learning met Python

Onderdeel van de cursus Machine Learning met Python is Feature Engineering. Hierbij wordt besproken hoe omgegaan kan worden met categorische features, text features, image features en derived features. Het gebruik van feature pipelines wordt ook in detail uitgelegd, wat essentieel is voor het optimaliseren van modelprestaties.

Regressies

Na een behandeling van het Naive Bayes-theorema met Naive Bayes classifiers, wordt er dieper ingegaan op Lineaire en Logistische regressie. Ook specialistische versies zoals Polynomial Regression, Ridge Regression en Lasso Regularization worden uitvoerig behandeld in deze cursus.

Classificaties

In de cursus Machine Learning met Python besteden we aandacht aan verschillende varianten van Machine Learning algoritmes die gebaseerd zijn op classificatie. Hierbij komen onder andere Support Vector Machines en Decision Trees ter sprake, waardoor deelnemers een breed scala aan technieken leren toepassen.

Unsupervised Learning

Tenslotte wordt in de cursus Machine Learning met Python Principal Component Analysis besproken als voorbeeld van een unsupervised learning algoritme. Ook Dimensionality Reduction wordt behandeld, wat belangrijk is voor het begrijpen van data-analyse en modelcomplexiteit.
Voor meer informatie over dataverwerking, kunt u de cursus Data Analyse met Python bekijken. Daarnaast is het waardevol om de Scikit-learn documentatie te raadplegen voor diepgaandere kennis over deze krachtige library.

Doelgroep Cursus Machine Learning met Python

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

Voorkennis training Machine Learning met Python

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 Python

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 Python

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

Modules

Module 1 : Intro Machine Learning

• What is Machine Learning?
• Building Models of Data
• Model Based Learning
• Tunable Parameters
• Supervised Learning
• Labeling Data
• Discrete Labels
• Continuous Labels
• Classification and Regression
• Unsupervised Learning
• Data Speaks for Itself
• Clustering and Dimensionality Reduction

Module 2 : Numpy and Pandas

• Numpy Arrays
• NumPy Data Types
• Pandas Data Frames
• Inspect Data
• Operations on Data
• Missing Data
• Pandas Series
• Pandas Indexes
• Time Series
• MatplotLib
• Plotting with Pandas
• Seaborn Library

Module 3 : Scikit-learn Library

• Data Representation
• Estimator API
• Features Matrix
• Target Array
• Seaborn Visualization
• Model Classes
• Choosing Hyperparameters
• Model Validation
• Fit and Predict Method
• Label Predicting
• Training and Testing Set
• Transform Method

Module 4 : Feature Engineering

• Categorical Features
• Vectorization
• Text and Image Features
• Derived Features
• Adding Columns
• Handling Missing Data
• Imputation of Missing Data
• Feature Pipelines
• Polynomial Basis Functions
• Gaussian Basis Functions
• Regularization

Module 5 : Naive Bayes

• Naive Bayes Classifiers
• Applicability
• High Dimensional Datasets
• Bayes’s Theorem
• Generative Models
• Gaussian Naive Bayes
• Probabilistic Classification
• predict_proba Method
• Multinomial Naive Bayes
• Confusion Matrix
• When to Use Naive Bayes

Module 6 : Linear Regression

• Slope and Intercept
• LinearRegression Estimator
• coef_ and intercept_ Parameter
• Multidimensional Linear Models
• Basis Function Regression
• Polynomial Regression
• PolynomialFeatures Transformer
• Gaussian Basis Functions
• Overfitting
• Ridge Regression
• Lasso Regularization

Module 7 : Support Vector Machines

• Discriminative Classification
• Maximizing the Margin
• Linear Kernel
• C Parameter
• Support Vectors
• SVM Visualization
• Kernel SVM
• Radial Basis Function
• Kernel Transformation
• Kernel Trick
• Softening Margins

Module 8 : Decision Trees

• Ensemble Learner
• Creating Decision Trees
• DecisionTreeClassifier
• Overfitting Decision Trees
• Ensembles of Estimator
• Random Forests
• Parallel Estimators
• Bagging Classifier
• Random Forest Regression
• RandomForestRegressor
• Non Parametric Model

Module 9 : Principal Components

• PCA Unsupervised Learning
• Learn about Relationships
• Principal Axes
• Demonstration Data
• Affine Transformation
• Components
• Explained Variance
• Dimensionality Reduction
• Inverse Transformation
• Explained Variance Ratio
• PCA as Noise Filtering