Python Machine Learning Training

Machine learning kan een onvoorstelbaar krachtig hulpmiddel zijn om verborgen inzichten vanuit data te ontsluiten en om toekomstige trends te voorspellen. In deze Python machine learning training leer je dit zelfstandig te doen.

Er komt steeds meer data beschikbaar. Zo is in de laatste 2 jaar 90% van alle data wereldwijd gegenereerd. Hiernaast neemt de beschikbare rekenkracht van computers elk jaar exponentieel toe. Dit gecombineerd met krachtige hulpmiddelen in programmeertalen zoals Python biedt een ideale omgeving voor slimme voorspellende algoritmes.

Inhoud Python machine learning training

In deze tweedaagse machine learning training leer je vanuit sprekende voorbeelden waarom machine learning zo in opkomst is en wat je ermee kan doen. We laten je zien welke verschillende vormen van machine learning algoritmen er bestaan, zoals classificatie en regressie.

Dit doen we eerst vanuit een theoretische uitleg waardoor je een goed begrip krijgt van hoe een algoritme in elkaar zit. Vervolgens werk je aan diverse praktijkcases waarin je met echte datasets en met behulp van Python packages zoals scikit-learn en xgboost je eigen machine learning modellen bouwt om zo uitdagende vraagstukken op te lossen.

We reiken je hulpmiddelen aan waarmee je een goed beeld kunt vormen van de performance van je modellen. Je past technieken zoals feature engineering en hyperparameter tuning toe om zo de performance van je modellen stap voor stap te verbeteren, waardoor je modellen nog betrouwbaardere inzichten geven. Tot slot leer je hoe je een model uiteindelijk in een productieomgeving kunt gaan gebruiken zodat het waarde kan toevoegen in de praktijk.

Er is een gezonde balans tussen theoretische uitleg en leuke praktijkcases waardoor je jezelf inhoudelijk ontwikkelt en tevens praktische vaardigheden aanleert doordat je verrassende inzichten verkrijgt tijdens het werken met opdrachten die je zelf in Python uitwerkt.

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.

Leerdoelen Python machine learning training

python machine learning training

Complete kennis van machine learning

Je leert wat machine learning is en hoe het komt dat men het steeds toepast om slimme inzichten te genereren. Je leert welke verschillende typen van machine learning algoritmes er bestaan en voor welk vraagstuk je welke type het beste toe kan passen.

Machine learning model in python training

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.

machine learning python model in productie tijdens cursus of opleiding

Machine learning modellen optimaliseren en in productie gebruiken

Je leert om een machine learning in productie toe te passen en te optimaliseren waardoor je steeds betere voorspellingen kan doen. Je leert hoe je dit kunt meten en wat vervolgens je mogelijkheden zijn om verbetering aan te brengen.

Is deze Python machine learning 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 handig als je al ervaring hebt met Python of een vergelijkbare programmeertaal, we gaan er vanuit dat je al eerder geprogrammeerd hebt. Verder helpt het als je basiskennis van wiskunde hebt en ervaring hebt met databronnen.

Heb je nog geen programmeerervaring maar ben je wel enthousiast? Kijk dan eens naar onze Python cursus voor data science.

Inhoud Python machine learning cursus

Dag 1

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: 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.

Onderdeel 3: 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 4: Regressie, de theorie

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 5: Regressie, een praktijkcase

Net als bij classificatie werken we ook bij regressie samen aan een mooie case en je bouwt hierbij van begin af aan 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 regressiemodel. Door verschillende algoritmes te gebruiken zoals linear regression of gradient boosting doe je ervaring op met de verschillen in het gebruik hiervan.

Dag 2

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 verbetering 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 en we geven. Nieuwe gegevens kunnen tot een nieuwe situatie leiden waardoor de prestaties van je model mettertijd achteruit gaan. Je leert hoe je hier rekening mee kunt houden en hoe je dit voorkomt.

Onderdeel 8: Eindopdracht

In een uitdagende eindopdracht pas je je nieuwe vaardigheden toe op een interessant vraagstuk vanuit een dataset uit de praktijk. Je combineert gegevens vanuit meerdere databronnen, voegt extra informatie toe met feature engineering, en stelt een model naar eigen keuze op wat je iteratief verbetert tot het aan de verwachtingen voldoet.

Ervaringen met onze Python trainingen

maurice bij python cursus voor data science

Professioneel opgezet. Heldere verhaallijn gedurende de dag!

Maurice Wijshoff, Specialist Improvement & Innovation bij Ahold Delhaize
imbert tijdens python voor data science training

Inhoudelijk sterk en enthousiast team. Leerzaam! Kortom goede introductie en fijne locatie.

Imbert Myers, Database marketeer & Business analyst bij FNV
debra tijdens python cursus

Erg goed verzorgde cursus. Docenten zijn enthousiast en ik vond het een goede selectie van onderwerpen. Goede basis en kweekt nieuwsgierigheid naar wat nog meer mogelijk is.

Debra Marcella, Operator LPC TREx bij Ministerie van Defensie
olaf tijdens data science met python cursus

Tijd genomen voor de basis en niet tegen beter weten in alle materie er doorheen geduwd. Goed tempo!

Olaf van der Veen, co-founder bij Zero Foodwaste
Willem tijdens python training

Jullie zijn een enthousiast team!!

Willem Kuilman, Information Security Manager bij Fujitsu
hugo heuts tijdens training

Gezellige sfeer, sterke voorbeelden, kundige docenten, goede presentatie

Hugo Heuts
2 dagen
in-company
09:30 - 16:00

Deze training verzorgen wij momenteel alleen in-company voor groepen van minimaal vier en maximaal tien deelnemers.