fbpx

Cursus Machine Learning met TensorFlow

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

    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.

    Cursus Machine Learning met TensorFlow
  • Cursus Machine Learning met TensorFlow : Inhoud

    In de cursus Machine Learning met TensorFlow 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.

    TensorFlow Machine Learning

    De cursus Machine Learning met TensorFlow gaat van start met een overzicht van de basis principes van Machine Learning en de verschillen van Supervised, Unsupervised en Deep Learning. Ook worden de data types van TensorFlow behandeld met vectors, arrays, lists en scalars en komen de Colab en DataBricks ontwikkelomgevingen aan de orde.

    Tensors

    Vervolgens wordt in de cursus Machine Learning met TensorFlow ingegaan op de centrale Tensor Data Structure die beschouwd kan worden als een container waarin data in N dimensies kan worden opgeslagen. Hierbij worden rank, shape en type van tensors besproken en komen ook TensorFlow operaties en sessies aan bod.

    Neurale Netwerken

    Speciale aandacht gaat er dan uit naar neurale netwerken waarbij zowel Convolutional als Recurrent Neural Networks worden behandeld. Ook Convolution en Pooling, verbindingen maken tussen Input Neurons en Hidden Layers komen daarbij ter sprake.

    Model Visualisatie

    Ook de Visualisatie van modellen met TensorBoard is onderdeel van het programma van de cursus Machine Learning met TensorFlow. Supervised Learning met Linear en Logistic Regression passeren daarbij de revu en Ensemble technieken en Gradient Boosting worden behandeld.

    Text Processing

    Voorst wordt in de cursus Machine Learning met TensorFlow ingegaan op Natural Language Processing met tokenization en tekst classificatie. Hierbij wordt spam detection behandeld en wordt ingegaan op Deep Learning.

    TensorFlow Optimizers

    Diverse TensorFlow Optimizers zoals Stochastic Gradient Descent, Gradient clipping en Momentum komen aan bod. En ook Image Processing met Dimensionality Reduction en met gebruik van de Keras API's wordt behandeld.

    Model Deployment

    Tenslotte wordt de cursus Machine Learning met TensorFlow afgesloten een bespreking van models in production. Onder andere worden dan Models als REST Service en Keras Based Models besproken.

  • Cursus Machine Learning met TensorFlow : Modules

    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
  • Cursus Machine Learning met TensorFlow : 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 TensorFlow : Reviews

  • Cursus Machine Learning met TensorFlow : Certificaat