fbpx
  • Nederlands
  • Engels

Cursus Machine Learning met Python

Regio:
  • Training
  • Inhoud
  • Modules
  • Algemeen
    Algemeen
  • Reviews
  • Certificaat
  • Cursus Machine Learning met Python : Training

    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.

    Cursus Machine Learning met Python
  • Cursus Machine Learning met Python : Inhoud

    In de cursus Machine Learning met Python leren de deelnemers hoe je machine learning algoritmes kunt implementeren door gebruik te maken van Python en de Scikit-learn library. Scikit-learn is grotendeels geschreven in Python en maakt veel gebruik van Numpy voor high-performance lineaire algebra en array operaties.

    Machine Learning Intro

    De cursus Machine Learning met Python gaat van start met een overzicht van de basis concepten van Machine Learning waarbij modellen worden gemaakt op basis aangeleverde data. Hierbij wordt het verschil duidelijk gemaakt tussen Supervised en Unsupervised Learning.

    Scikit-learn Library

    Vervolgens wordt ingegaan op de libraries die het fundament vormen achter Machine Learning met Scikit-learn zoals Numpy, Panda's, MatPlotLib en Seaborn. In de basis architectuur van Scikit-learn wordt de data gesplitst in een feature matrix en een target array. Aan de orde komt verder hoe een model wordt getraind met een training set om vervolgens te worden vergeleken een test set met de Estimator API.

    Feature Handling

    Onderdeel van het programma van de cursus Machine Learning met Python is ook Feature Engineering. Hierbij wordt besproken hoe omgegaan kan worden met categorische features, text features, image features en derived features. En ook het gebruik van features pipelines wordt uitgelegd.

    Regressies

    Na een behandeling van het Naive Bayes theorema met Naive Bayes classifiers en de daarop gebaseerde modellen wordt dan ingegaan Lineaire en ook Logistische regressie. Ook specialistische versies daarvan zoals Polynomial Regression, Ridge Regression en Lasso Regularization worden behandeld.

    Classificaties

    Dan wordt in de cursus Machine Learning met Python aandacht besteed aan verschillende varianten van Machine Learning algoritmes die gebaseerd zijn op classificatie. Hierbij komen Support Vector Machines en Decision Trees ter sprake.

    Unsupervised Learning

    Tenslotte wordt in de cursus Machine Learning met Python ingegaan op Principal Component Analysis als voorbeeld van een unsupervised learning algoritme. Ook Dimensionality Reduction wordt dan behandeld.

  • Cursus Machine Learning met Python : Modules

    Module 1 : Intro Machine Learning

    Module 2 : Numpy and Pandas

    Module 3 : Scikit-learn Library

    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
    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
    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

    Module 5 : Naive Bayes

    Module 6 : Linear Regression

    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
    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
    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

    Module 8 : Decision Trees

    Module 9 : Principal Components

    Discriminative Classification
    Maximizing the Margin
    Linear Kernel
    C Parameter
    Support Vectors
    SVM Visualization
    Kernel SVM
    Radial Basis Function
    Kernel Transformation
    Kernel Trick
    Softening Margins
    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
    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
  • Cursus Machine Learning met Python : Algemeen

    Cursusvorm

    Al onze cursussen zijn klassikale cursussen waarbij de cursisten aan de hand van een ervaren trainer met diepgaande materie kennis door de stof worden geleid. Theorie wordt steeds afgewisseld met oefeningen.

    Maatwerk

    We doen ook maatwerk  en passen dan de cursusinhoud aan op uw wensen. Op verzoek gaan we ook in op uw praktijkcases.

    Cursustijden

    De cursustijden zijn in pricipe van 9.30 tot 16.30. Maar we zijn hierin flexibel. Soms moeten mensen namelijk kinderen naar de opvang brengen of halen en komen andere tijden hun beter uit. In goed overleg kunnen we dan andere cursustijden afspreken.

    Hardware

    Wij zorgen voor de computers waarop de cursus gehouden kan worden. Op deze computer is de voor de cursus benodigde software al geinstalleerd. U hoeft geen laptop mee te nemen om aan de cursus te kunnen deelnemen. Als u liever op uw eigen laptop werkt kunt u hem desgewenst meenemen. De benodigde software wordt dan aan het begin van de cursus geinstalleerd.

    Software

    Onze cursussen worden over het algemeen gegeven met Open Source software zoals Eclipse, IntelliJ, Tomcat, Pycharm, Anaconda en Netbeans. Het digitale cursusmateriaal krijgt u na de cursus mee naar huis.

    Lunch

    De cursus is inclusief lunch die we in een restaurantje op loopafstand van het cursuslokaal gebruiken.

    Locaties

    De cursussen worden op diverse plaatsen in het land gepland. Een cursus gaat op een locatie door als er zich minimaal 3 mensen voor die locatie inschrijven. Als er inschrijvingen voor verschillende locaties zijn gaat de cursus door op onze hoofdlocatie is Houten net onder Utrecht. Een cursus op onze hoofdlocatie gaat ook door bij 2 inschrijvingen en regelmatig ook bij 1 inschrijving.  Overigens doen we ook cursussen op de locatie van de klant als men daar prijs op stelt.

    Copyright

    De intellectuele eigendomsrechten van de gepubliceerde cursus inhoud, ook wel aangeduid als infosheet, behoren toe aan SpiralTrain. Het is niet toegestaan de cursusinformatie, de infosheet, te publiceren in schiftelijke dan wel digitale vorm zonder de uitdrukkelijke toestemming van SpiralTrain. Onder de cursus inhoud dient te worden verstaan de beschrijving van de cursus inhoud in zinnen alsmede de indeling van de cursus in modules en onderwerpen in de modules.

  • Cursus Machine Learning met Python : Reviews

  • Cursus Machine Learning met Python : Certificaat