Python Machine Learning Training

Veel organisaties gebruiken machine learning en algoritmes om data om te zetten in waardevolle inzichten of voorspellingen. In deze Python machine learning training (IABAC™ geaccrediteerd) leer je deze algoritmes zelf in te zetten door gebruik te maken van Python.

We leren je de theorie achter machine learning op een laagdrempelige manier. Ook maken we direct de doorvertaling naar de praktijk; "hoe doe je dit in Python?". Je leert de data science packages die op dit moment veel gebruikt worden in de praktijk. Tijdens de training wisselen we klassikale momenten af met opdrachten in een persoonlijke online omgeving die wij voor deze training beschikbaar stellen. Na de training ontvang je al het materiaal en opdrachten als naslagwerk.

 

Inhoud Python machine learning training

In deze tweedaagse machine learning training leer je hoe en waarvoor je machine learning kunt gebruiken. We laten je zien welke verschillende vormen van machine learning algoritmen er bestaan en hoe je deze toepast. Dit doen we voor zowel regressie (het voorspellen van waardes) als classificatie (onderverdelen in groepen).

Vervolgens werk je aan diverse praktijkcases waarin je met echte datasets en met behulp van Python packages zoals scikit-learn je eigen machine learning modellen bouwt.

We reiken je hulpmiddelen aan waarmee je de performance van modellen kunt beoordelen. Je past technieken zoals bijvoorbeeld feature engineering en parameter tuning toe om zo je modellen te verbeteren, waardoor je modellen betrouwbaardere inzichten geven.

Na deze training kan je zelfstandig aan de slag met machine learning dankzij de afwisseling van theorie en relevante praktijkcases.

Bij afronding ontvang je een officieel certificaat van deze IABAC™ geaccrediteerde training.

Na de training ben je in staat

  • om te herkennen bij welke bedrijfsvraagstukken machine learning een waardevol hulpmiddel kan zijn
  • om verschillende soorten machine learning algoritmes toe te passen met Python
  • om de prestaties van je modellen te meten en om ze te verbeteren
  • om een model te implementeren om zo dagdagelijks waarde toe te voegen

Deelnemers over de machine learning training

John deed mee aan de 4-daagse data science opleiding. Dag 3 en 4 van deze opleiding zijn identiek aan deze machine learning training.

Mandy deed mee aan de 10-daagse data science bootcamp. Dag 3 en 4 van de bootcamp zijn identiek aan deze machine learning training.

Leerdoelen Python machine learning training

Python machine learning training klassikaal nederlands voorbeeld

Theoretische basis van machine learning

Je leert wat machine learning is, welke machine learning algoritmes er bestaan en welk algoritme je in welke situatie toe kunt passen. Zo kun je met zeer uiteenlopende praktijksituaties overweg na deze training.

machine learning met python cursus voorbeeld in opleiding

Toepassen van machine learning algoritmes met Python

Door verschillende cases te doorlopen doe je praktische ervaring op met het toepassen van machine learning algoritmes. Dit doe je door een model te maken en dit te trainen en vervolgens te valideren met data uit een dataset uit de praktijk.

Voorbeeld leerdoel machine learning training

Machine learning modellen optimaliseren en in productie gebruiken

Je leert hoe je een machine learning model kunt beoordelen en optimaliseren waardoor je steeds betrouwbaardere inzichten uit data kan ontsluiten.

Is deze training wat voor mij?

Deze training is iets voor jou als:

  • Basiskennis van Python is vereiste voorkennis voor deze training.
  • Je in een omgeving werkt met een diversiteit aan complexe databronnen en gegevens waarbij het voor een mens door de grote datavolumes niet gemakkelijk is om relaties tussen de verschillende databronnen te kwantificeren.
  • Je hebt al ervaring met programmeren en bent op zoek naar hulpmiddelen om toekomstige trends beter te voorspellen en om verborgen inzichten te ontsluiten.

Benodigde voorkennis

Het is een vereiste dat je basisvaardigheden hebt in Python of een vergelijkbare programmeertaal. Heb je nog nooit geprogrammeerd? Bekijk dan jouw mogelijkheden in de volgende alinea. Verder helpt het voor deze training als je basiskennis van wiskunde hebt en ervaring hebt met databronnen. Wij adviseren minimaal HBO werk- en denkniveau.

Nog geen ervaring met programmeren?

Voor wie geen programmeerervaring heeft, hebben we een alternatieve training beschikbaar. In onze vierdaagse data science opleiding combineren we deze machine learning training met twee voorbereidende dagen waarin we je alle basisvaardigheden voor data science in Python bijbrengen. De laatste twee dagen van de opleiding gaan over machine learning. Zo brengen we je het gehele pakket bij en kun je zelfstandig in de praktijk aan de slag.

Inhoud Python machine learning cursus

De inhoud van deze training is geaccrediteerd door de International Association of Business Analytics Certification (IABAC™).

data science partners accreditatie python en data science

Dag 1: de basis van machine learning

Onderdeel 1: Machine learning introductie

Je maakt kennis met machine learning en leert waarom het zo in opkomst is en waarvoor je het kunt gebruiken. We leggen je uit wat supervised learning, unsupervised learning en reinforcement learning is, welke verschillende soorten machine learning algoritmes hier onderdeel van zijn en tonen je welk algoritme je wanneer toepast. Hierna leer je welke stappen je standaard doorloopt om een machine learning model op te bouwen.

Onderdeel 2: Regressie, de theorie

Regressie is het volgende onderdeel van de machine learning training. Met regressie kun je numerieke waarden voorspellen, bijvoorbeeld de prijs van een huis gebaseerd op meerdere eigenschappen van het huis. Je leert vanuit een high level wiskundige uitleg wat regressie is en waarvoor je het toe kunt passen. We laten je ook zien welke Python packages er specifiek geschikt zijn voor regressie.

Onderdeel 3: Regressie, een praktijkcase

We werken samen aan een mooie case en je bouwt hierbij vanaf de basis je eigen model op. Dit begint met een ruwe dataset die je in Python importeert. Met diverse statistische samenvattingen en visualisaties specifiek voor regressie bepaal je welke gegevens uit je dataset waarschijnlijk een goede bijdrage zullen hebben bij het voorspellend vermogen van het model wat je gaat maken. Je leert hoe je niet-numerieke gegevens zoals tekstuele data toch kunt gebruiken in het regressiemodel. Door verschillende algoritmes te gebruiken zoals linear regression of gradient boosting doe je ervaring op met de verschillen in het gebruik hiervan.

Onderdeel 4: Classificatie, de theorie

Met classificatie kun je voorspellen of iets tot een bepaalde groep of categorie behoort, bijvoorbeeld of een e-mail wel of geen spambericht is. Je leert vanuit een high level wiskundige uitleg wat classificatie is en waarvoor je het toe kunt passen. We laten je meerdere praktijkvoorbeelden zien en tonen je de Python packages die je er het beste voor kunt gebruiken.

Dag 2: modellen verbeteren en gebruiken in de praktijk

Onderdeel 5: Classificatie, een praktijkcase

Door samen een praktijkcase uit te werken bouw je je eerste eigen machine learning model. Je importeert een dataset uit de praktijk die je met specifieke hulpmiddelen voor classificatie gaat verkennen. Zo ga je grafieken maken die het verband inzichtelijk maken tussen bepaalde gegevens en de beoogde classificering. Ook leer je welke mogelijkheden er zijn als je te maken hebt met vervuilde of missende data in je dataset. Je maakt een classificatiemodel, bijvoorbeeld met logistic regression, en traint dit met een deel van je bewerkte dataset.

Onderdeel 6: Beoordelen en verbeteren van een model

Er zijn verschillende manieren om de prestatie van een model te meten, je leert welke dit zijn en wanneer je wat toepast. We kijken hierbij bijvoorbeeld naar een ROC curve, AUC en een confusion matrix. Met deze kennis gaan we terug naar je eerder gemaakte modellen en laten we zien wat het effect is van diverse verbeteringen met behulp van feature engineering en hyperparameter tuning.

Onderdeel 7: Een model in productie brengen

Een model voegt pas echt waarde toe als het consequent wordt toegepast op nieuwe data. Denk hierbij bijvoorbeeld aan een voorspelling die automatisch wordt gegenereerd wanneer er nieuwe data in een database verschijnt. Je leert vanuit een praktijkvoorbeeld hoe je hier invulling aan kunt geven. Nieuwe gegevens kunnen tot een nieuwe situatie leiden waardoor de prestaties van je model na verloop van tijd achteruit gaan. Je leert hoe je hier rekening mee kunt houden en hoe je dit voorkomt.

Onderdeel 8: algortimes voor complexere gevallen

Met 'ensemble methods' kan je betere resultaten halen door modellen te combineren. We staan stil bij stacking (output van meerdere modellen combineren), bagging (trainen op verschillende segmenten) en boosting (als een algoritme slechte resultaten geeft een ander algoritme gebruiken).

Locatie, data, en tijden

Deze Python machine learning training verzorgen we in Utrecht, Amsterdam, en Eindhoven. Alle ingeplande data en locaties vind je in het eerste veld van het inschrijfformulier. Trainingsdagen binnen om 09:30 en duren tot uiterlijk 16:30.

Download de brochure voor deze machine learning training

Ben je geïnteresseerd maar wil je je niet direct inschrijven? Download dan de opleidingsbrochure of neem een optie op de training en denk er rustig over na. Bij vragen kun je ons bereiken op 020 - 24 43 146. We helpen je graag verder.

python-cursus-voor-data-science-brochure

Onze klanten

2 dagen € 950
Incl. alle cursusmaterialen
Excl. BTW
Utrecht
Amsterdam
Eindhoven
of in-company
09:30 - 16:30
Planning & taal

14 & 15 mrt 2024 machine learning cursus nederlands
15 & 16 apr 2024 machine learning cursus nederlands
13 & 14 mei 2024 machine learning cursus engels
20 & 21 jun 2024 machine learning cursus nederlands
15 & 16 jul 2024 machine learning cursus nederlands