- Leren door doen
- Trainers met praktijkervaring
- Klassikale trainingen
- Gedetailleerd cursusmateriaal
- Duidelijke inhoudsbeschrijving
- Maatwerk inhoud mogelijk
- Trainingen die doorgaan
- Kleine groepen
In de cursus Machine Learning met TensorFlow van SpiralTrain leren de deelnemers machine learning en deep learning applicaties te implementeren met het open source TensorFlow framework. TensorFlow is afkomstig van Google en maakt gebruik van Python. Met TensorFlow kun je neurale netwerken voor bijvoorbeeld nummer classificatie en beeld herkenning trainen en uitvoeren.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
De deelnemers krijgen na het goed doorlopen van de cursus een officieel certificaat Machine Learning met TensorFlow.
Module 1 : Intro TensorFlow |
Module 2 : Tensor Data Structure |
Module 3 : Neural Networks |
|
What is TensorFlow? Machine Learning Supervised Learning Unsupervised Learning Deep Learning Install Anaconda Install TensorFlow Colab and Databricks Vectors and Scalars Matrix Calculations |
Arrays and Lists Multiple Dimensions Rank, Shape and Type TensorFlow Dimensions Tensor Manipulations TensorFlow Graphs Variables and Constants TensorFlow Operations TensorFlow Sessions Placeholders |
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 |
Module 5 : Supervised Learning |
Module 6 : Natural Language Processing |
|
Data Visualization Data Flow Graph High Level Blocks High Degree Nodes Node Representations Sequence Numbered Nodes Connected Nodes Operation Nodes Summary Nodes Reference Edge |
Linear Regression Keras and TensorFlow Correlation Graph Pairplot Logistic Regression Categorical Outcomes Sigmoid Function Boosted Trees Ensemble Technique Gradient Boosting |
NLP Overview NLP Curves Text Preprocessing Tokenization Spam Detection Word Embeddings Deep Learning Model Text Classification Text Processing TensorFlow Projector |
Module 7 : TensorFlow Optimizers |
Module 8 : Image Processing |
Module 9 : Models in Production |
|
Stochastic Gradient Descent Gradient clipping Momentum Nesterov momentum Adagrad Adadelta RMSProp Adam Adamax SMORMS3 |
Convolution Layer Pooling Layer Fully Connected Layer Keras API's ConvNets Transfer Learning Autoencoders Dimensionality Reduction Compression Techniques Variational Autoencoders |
Model Deployment Isolation Collaboration Model Updates Model Performance Load Balancer Model as REST Service Templates Keras Based Models Flask Challenges |
Deze bedrijven en instanties waren u al voor:
Deze bedrijven waren u voor:
