Advanced Machine Learning

Wie vertrouwd is met de basisconcepten van Machine Learning om een betrouwbare pipeline op te zetten om een model te laten leren van data, heeft al snel de behoefte om efficiënter een model te kunnen kiezen. Wat gebeurt er nu precies in een Random Forest? Of bij Bayesian Learning? Inzicht in hoe het model in de diepte werkt, maakt het makkelijker om een model op het juiste moment in te zetten. En hoe kun je verschillende simpele modellen combineren om uiteindelijk een complexer model te krijgen met minder bias en variance?

Waarom deze Advanced Machine Learning training?

Deze training gaat dieper in op de achtergrond van diverse modellen. Het is daarom een ideale training voor data analysts en data scientists die hun bestaande kennis van machine learning willen uitbreiden.

Leerdoelen

• Het gebruiken van Ensemble modellen, zoals: bagging, boosting en stacking om bias en variance te verminderen
• De interne werking van Decision Trees
• Het stap voor stap implementeren van een Decision Tree.
• Een overzicht van verschillende optimalisatiemethoden, veel voorkomende optimalisatieproblemen en manieren om die op te lossen.
• Bayesiaans leren: een statistische benadering van modelleren.
• Het voorspellen met behulp van Bayesiaanse modellen

Doelgroep

Deze training is primair gericht op programmeurs, data analysts en data scientist die de volgende stap willen zetten in het begrijpen en toepassen van machine learning modellen.

Vereisten

Ervaring met Python is vereist: basale visualisatie en data processing (bijvoorbeeld met behulp van Matplotlib en Pandas). Daarbij is het vereist om ervaring hebben met de basis van het opzetten van een machine learning model zoals beschreven in de training Basic Machine Learning (het opzetten van solide pipelines voor machine learning modellen in scikit-learn). Basale kennis van statistiek is een pré.