Om met Machine Learning en Generative AI aan de slag te gaan is een gedegen basis in Python in onze ogen essentieel. Deze AI opleiding richt zich op mensen die veel met data in aanraking komen in hun werk. Python is dan veelal de programmeertaal waarmee je veruit het meeste kunt bereiken.

Het programma van dag 1 en 2 is erop gericht om je de basis in Python bij te brengen die je nodig hebt om de verdiepende AI theorie te kunnen begrijpen.

• Introductie Data Science & AI (Dag 1)
  • Je maakt kennis met de oorsprong van data science en AI.
  • We bespreken de benodigde vaardigheden om succesvol te zijn in AI.
  • Python wordt geïntroduceerd als de belangrijkste programmeertaal voor AI.
  • Eerste Python scripts schrijven en uitvoeren in een online omgeving.
• Basisvaardigheden Python (Dag 1)
  • Variabelen & datatypes: Je leert hoe data wordt opgeslagen en beheerd in Python.
  • Lists: Een introductie tot lijsten en hoe je ze gebruikt voor het opslaan van data.
  • Dictionaries: Een krachtige manier om gegevens op te slaan in key-value paren.
  • Logica, methoden en functies: Je leert logica toe te passen en functies te schrijven om data te analyseren.
• Toepassen van Python in Data Science (Dag 1)
  • Je leert wanneer en hoe je logica toepast op datasets.
  • Oefenen met functies en methoden om inzichten te verkrijgen uit complexe data.
• Verdieping Python kennis (Dag 2)
  • Je vaardigheden in Python worden verder uitgebouwd om klaar te zijn voor de komende Machine Learning en Generative AI lessen.
• NumPy: Werken met grote datasets (Dag 2)
  • Leer efficiënt werken met grote datasets met behulp van het NumPy package.
  • Oefeningen met praktijkvoorbeelden om NumPy goed onder de knie te krijgen.
• Pandas: Essentiële data science tool (Dag 2)
  • Je leert data te importeren, bewerken en analyseren met Pandas.
  • Praktische oefeningen met het combineren, filteren en transformeren van datasets.
• Matplotlib: Visualiseren van data (Dag 2)
  • Je leert complexe visualisaties te maken met het Matplotlib package.
  • Oefenen met verschillende grafieken om inzichten effectief over te brengen.
• Eindopdracht
  • Toepassen van de geleerde vaardigheden in een project.
  • Je verbindt gegevensbronnen, schrijft functies, en gebruikt NumPy, Pandas, en Matplotlib om data te analyseren en visualiseren.
  • De opdracht eindigt met het presenteren van inzichten die je uit de data hebt gehaald.

• Introductie Machine Learning

  • Machine learning is tegenwoordig essentieel in de wereld van AI. In deze module ontdek je de oorsprong en ontwikkeling van dit vakgebied.
  • Je krijgt een compleet overzicht van de mogelijkheden binnen machine learning, inclusief uitleg over supervised en unsupervised learning.
  • Je leert welke algoritmes wanneer gebruikt worden en hoe een data scientist stap voor stap een machine learning model bouwt, een proces dat je tijdens de praktijkcases gaat volgen.

• Classificatie: Theorie

  • Bij classificatie voorspelt een algoritme of een waarneming in een bepaalde categorie valt, zoals het verschil tussen spam en geen spam.
  • We duiken in de statistiek achter classificatie-algoritmes en laten je kennismaken met relevante Python packages voor deze toepassing.
  • Je krijgt praktijkvoorbeelden van classificatie die direct toepasbaar zijn in je eigen AI-projecten.

• Classificatie: Praktijkcase

  • In deze praktijkcase bouw je zelf je eerste machine learning model. Je importeert en verkent datasets, visualiseert verbanden en traint je model.
  • We behandelen ook veelvoorkomende uitdagingen, zoals ontbrekende of vervuilde data, en laten je zien hoe je model getraind wordt en nieuwe voorspellingen maakt op basis van nieuwe data.

• Regressie: Theorie

  • Regressie helpt je om numerieke waarden te voorspellen, zoals het bepalen van levensverwachting op basis van levensstijl.
  • Je leert de wiskunde en statistiek achter regressie-algoritmes en we tonen praktijkvoorbeelden van hoe regressie wordt toegepast in AI.
  • We bespreken de Python tools die je kunt gebruiken om regressiemodellen op te zetten.

• Regressie: Praktijkcase

  • In deze case bouw je opnieuw een model, deze keer voor regressie. Je leert hoe je datasets importeert en analyseert om belangrijke voorspellers te identificeren.
  • We gaan dieper in op het gebruik van niet-numerieke data in regressiemodellen en oefenen met verschillende algoritmes zoals linear regression en gradient boosting.
  • Je leert wanneer je welk algoritme moet kiezen om optimale resultaten te behalen.

• Unsupervised Learning en Clustering

  • Je ontdekt de kracht van unsupervised learning, waarbij je zonder vooraf gedefinieerde labels patronen in data vindt.
  • Focus op clustering, een populaire techniek waarmee je groepen in data kunt ontdekken. Je leert hoe k-means clustering werkt en hoe je het toepast om verborgen structuren in data te onthullen.

• Generative AI (o.a. ChatGPT & DALL·E van OpenAI)

  • We gaan dieper in op generative AI en hoe het verschilt van traditionele AI/ML-methoden.
  • Inzicht in de werking van toonaangevende generatieve modellen zoals GPT en DALL·E, die tekst en beelden genereren.
  • Je leert hoe je AI kunt "prompten" voor betere resultaten en krijgt hands-on ervaring met text-to-text en text-to-image generatie via Python.
  • Je leert om LLM's (large language models) als GPT en DALL·E aan te roepen via de API. Dit stelt je in staat om deze tools te gebruiken binnen (en integreren met) bestaande applicaties.

• Beoordelen en Verbeteren van een Model

  • Inzicht in verschillende manieren om de prestaties van een model te evalueren, zoals ROC curves, AUC, en confusion matrices.
  • We laten je zien hoe je je modellen kunt verbeteren met feature engineering en hyperparameter tuning, door terug te keren naar eerdere modellen en ze verder te optimaliseren.

• Een Model in Productie Brengen

  • Je leert hoe je een model kunt implementeren in de praktijk, zodat het automatisch voorspellingen doet op nieuwe data.
  • Daarnaast ontdek je hoe je voorkomt dat de prestaties van je model na verloop van tijd afnemen, door technieken toe te passen om je model up-to-date te houden.

• Eindopdracht

  • In de eindopdracht pas je alle opgedane kennis toe op een echte dataset.
  • Je combineert gegevens uit meerdere bronnen, past feature engineering toe en bouwt een model dat je steeds verder optimaliseert tot het voldoet aan de verwachtingen.