Machine learning: van theorie tot praktijk
(Bio-)ingenieurswetenschappen
(Bio-)ingenieurswetenschappen
Er wordt vaak gezegd dat data de nieuwe olie is, maar niet alle data is gelijk, noch staan grote hoeveelheden data garant voor grote waarde. Het is dankzij data analyse en machine learning dat waarde uit de verzamelde data kan gehaald worden. Machine learning wordt dan ook gezien als de motor van de vierde industriële revolutie.
Wie bovenop de data zit én hier machine learning succesvol op weet toe te passen, wordt de koploper en kan een hele sector op zijn kop zetten en domineren. De sleutel tot het overleven van deze nieuwe industriële revolutie is dan ook niet deze te ondergaan, maar in de bestuurderszetel te zitten door ervaring op te doen met machine learning.
Naast de theoretische achtergrond, wordt daarom in deze opleiding ook aandacht besteed aan het verwerven van praktisch inzicht via hands-on ervaring. Er wordt een overzicht gegeven van de verschillende machine learning principes en technieken, de valkuilen en de best-practices. Deze opleiding zal u, aan de hand van 3 modules die elk bestaan uit 4 avondsessies, naast een diepgaande theoretische basis ook de essentiële praktische know-how aanleveren die u zal kunnen gebruiken om zelf met machine learning aan de slag te gaan voor uw projecten.
0. Zelfstudie Python
Vrijblijvende online module om basisvaardigheden in programmeren in Python op te frissen
1. Introductie Machine Learning
In deze eerste module introduceren we de basisterminologie en concepten achter machine learning.
Sessie 1
We starten met de verschillende categorieën van machine learning: unsupervised learning, supervised learning, reinforcement learning en eventuele hybride varianten.
Sessie 2
Datavisualisatie is een belangrijk onderdeel van elk machine learningproject om meer te weten te komen over de beschikbare data en eerste patronen te identificeren.
Sessie 3
Lineaire regressie is een zeer eenvoudige maar zeer nuttige methode om een kwantitatieve uitkomst te voorspellen.
Sessie 4
Lineaire classificatie. Wanneer de output kwalitatief of categorisch is in plaats van kwantitatief, dienen we classificatietechnieken te gebruiken in plaats van regressie.
2. Basisconcepten
We zoomen verder in op de basisconcepten van machine learning, van beslissingsbomen en ensembles tot neurale netwerken.
Sessie 1: Model selection & regularization
In deze les gaan we dieper in op het verschil tussen test error rate en training error rate, en waarom het zo belangrijk is een train-, testen validatieset te hebben.
Sessie 2: Tree-based classification
Beslissingsbomen zijn zeer populaire technieken die zowel voor classificatie als regressie gebruikt kunnen worden.
Sessie 3: Neural networks
Neurale netwerken modelleren de data met behulp van kunstmatige neuronen.
Sessie 4: Convolutional Neural Networks
In de laatste les van deze module gaan we dieper in op gespecialiseerde neurale netwerken, meer specifiek convolutionele neurale netwerken.
3. Geavanceerde methoden
In deze laatste module gaan we dieper in op meer geavanceerde machine learning technieken.
Sessie 1
Anomaliedetectie houdt zich bezig met het vinden van data die afwijken van normaal gedrag, en speelt dan ook een grote rol in de industrie, met toepassingen zoals kwaliteitscontrole, machinemonitoring voor voorspellend onderhoud, tot spamdetectie en bewaking.
Sessie 2
Recommender systems en collaboratieve filtering.
Sessie 3
Time series prediction
Sessie 4
Inspiratievoorbeelden uit de praktijk
Alle info en inschrijven: www.ugain.ugent.be/machinelearning2021.htm