(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. De wendbaarheid van bedrijven moet maximaal zijn om te kunnen blijven overleven. Het Internet of Things genereert continu data en er zijn momenteel al meer toestellen en machines die data genereren dan de gehele mensheid bij elkaar. 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. Dit bewezen bedrijven zoals Amazon, Google, Netflix, Uber, en nog heel veel andere ondernemingen reeds met hun succesverhalen. 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 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.
In de cursus komen zowel clustering-, classificatie- als regressiemethoden aan bod, en worden deze toegepast op real-life data sets. We focussen in deze cursus vooral op de basisconcepten en -technieken, maar gaan ook dieper in op de toepassing ervan voor onder andere anomaliedetectie. De data extractietechnieken om deze data sets aan te leggen enerzijds en technieken om de data op te schonen en visualiseren anderzijds worden ook behandeld.
In parallel met de verschillende lessen, kan je ook vrijblijvend deelnemen aan een diepgaander project waar je (alleen of in groep) alle tot dan toe geziene technieken kan combineren en gebruiken om een praktisch probleem uit de industrie op te lossen. Je werkt zelfstandig aan dit project, maar we voorzien ook 3 sessies om feedback te geven aan alle deelnemers van dit project.
We starten met de verschillende categorieën van machine learning: unsupervised learning, supervised learning, reinforcement learning en eventuele hybride varianten. We leren het verschil tussen clustering, classificatie en regressie. We focussen ook op verschillende types data structured data, image data, tijdreeksdata. In het tweede deel van deze les frissen we onze basisvaardigheden in programmeren in Python op.
We duiken dieper in op evaluatiemetrieken en data cleaning. We bespreken het verschil tussen test error rate en training error rate, en waarom het zo belangrijk is een train-, test- en validatieset te hebben. Cross-validatie zal ons helpen wanneer we geen grote beschikbare test set hebben. Tenslotte bespreken we ook enkele praktische tips om een goede testset op te bouwen. We gaan ook direct aan de slag met Nearest Neighbor methodes, een zeer eenvoudige classificatiemethode die verrassend goed werkt bij veel problemen. Deze les sluiten we af met een labo omtrent ETL en kNN.
Data: 19 en 26 maart 2024
Lesgever: Sofie Van Hoecke
Datavisualisatie is een belangrijk onderdeel van elk machine learningproject om meer te weten te komen over de beschikbare data en om eerste patronen te identificeren. We behandelen basis plotting bibliotheken zoals plotly, seaborn en matplotlib, en leren hoe we hoog-dimensionale data kunnen visualiseren. Ook clustering komt in deze sessie aan bod, zowel als finale taak, of gebruikt tijdens de data exploratie en preprocessing. Feature aggregatie en principale componenten analyse, t-SNE en UMAP zullen gebruikt worden wanneer we een grote hoeveelheid gegevens willen beschrijven met een kleiner aantal features.
Datum: 16 april 2024
Lesgever: Jan Verwaeren
Lineaire regressie is een zeer eenvoudige, maar zeer nuttige methode om een kwantitatieve uitkomst te voorspellen. We bespreken lineaire regressie als basistechniek en gaan ook in op de tekortkomingen en nieuwere, complexere benaderingen.
Datum: 30 april 2024
Lesgever: Willem Waegeman
Er bestaan heel wat classificatietechnieken, en daarom bespreken we hier enkele van de meest gebruikte en/of eenvoudige classificatiemethodes naast k-Nearest Neighbours die reeds in de eerste les gezien werd, zijnde Naive Bayes en logistische regressie.
Datum: 7 mei 2024
Lesgever: Sofie Van Hoecke
In deze les gaan we dieper in op het finetunen van lineaire modellen via regularisatie. We bespreken eerst feature selection als een algemene methode om de performantie te verhogen en inzicht te verwerven in een machine learning model. Vervolgens bespreken we twee lineaire methoden die de basis vormen voor complexe methoden die later in de cursus aan bod komen: ridge regressie en lasso. Beiden zijn nauw met elkaar verwant, maar ze hebben enkele belangrijke verschillen. In het laatste deel van de les bespreken we hoe de besproken regularisatiemethoden ook toegepast worden op niet-lineaire modellen en in een classificatiecontext.
Datum: 14 mei 2024
Lesgever: Willem Waegeman
Ensemble-methoden profiteren van de voordelen van beslissingsbomen, terwijl ze de neiging tot overfitting verminderen. We leren hoe bagging (bootstrap-aggregatie) of boosting kan helpen om de variantie en bias te verminderen.
Datum: 28 mei 2024
Lesgever: Jan Verwaeren
Neurale netwerken kunnen niet ontbreken vanwege de vooruitgang die hier de afgelopen jaren geboekt is. Neurale netwerken modelleren de data met behulp van kunstmatige neuronen. Ook deze techniek kan gebruikt worden voor zowel classificatie als regressie. Ook transfer learning en incremental learning komen kort aan bod.
Datum: 4 juni 2024
Lesgever: Sofie Van Hoecke
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. We bespreken en doen hands-on ervaring op met verschillende anomaliedetectietechnieken, zowel unsupervised, semi-supervised, als supervised methodes, en methodes specifiek voor tijdsreeksdata.
Datum: 11 juni 2024
Lesgever: Sofie Van Hoecke
We starten met de data-analyse (statistieken en visualisatie) om inzicht in de data van het project te krijgen. Daarna gaan we over tot data cleaning en preparatie, alsook wat eerste (lineaire) baseline modellen voor het project.
Daarna gaan we verder met het finetunen van onze lineaire modellen, het opstellen van tree-based modellen en/of neurale netwerken om te zien of deze onze baseline modellen overtreffen. We kijken ook om een goede en betrouwbare evaluatie op te zetten.
Nadien kan er worden overgestapt naar het opstellen van een ensemble van alle voorgaande gecreëerde modellen om de laatste prestatiewinsten te halen en hopelijk hoog op de Kaggle leaderboard te eindigen.
Data: 23 april, 21 mei en 18 juni 2024
Lesgever: Sofie Van Hoecke
Uw browser voldoet niet aan de minimale vereisten om deze website te bekijken. Onderstaande browsers zijn compatibel. Mocht je geen van deze browsers hebben, klik dan op het icoontje om de gewenste browser te downloaden.
