Machine Learning met Python

Machine learning is een essentieel onderdeel geworden in veel applicaties en projecten waarbij data betrokken zijn. Met de kracht van Python en het scikit-leerpakket is dit spannende vakgebied niet langer exclusief voor grote bedrijven met uitgebreide onderzoeksteams. Als je Python gebruikt, zelfs als beginner, worden machine learning-toepassingen alleen beperkt door jouw verbeeldingskracht.

Tijdens deze workshop zullen we een hands-on benadering hanteren om te leren over machine learning algoritmen. Onderwerpen zijn onder meer: regressie, classificatie, outlier detectie, dimensionaliteitsreductie en clustering. Gedurende twee dagen zullen we verschillende algoritmen verkennen, zoals lineaire regressie, logistische regressie, random forests, neurale netwerken en nog veel meer.

Aan het einde van deze workshop zul je vol vertrouwen machine learning-algoritmen selecteren en gebruiken met behulp van Python en scikit-learn. Je hebt een beter begrip gekregen van de werking van de algoritmen en weet hoe je deze kunt gebruiken om waardevolle resultaten en inzichten te produceren.

Leerdoelen

• De fundamentele concepten achter machine learning
• Een overzicht van verschillende machine learning-algoritmen
• Hoe je JupyterLab, Python en het scikit-learn pakket kunt gebruiken om machine learning te doen
• Hoe je supervised machine learning, zoals regressie en classificatie, toepast
• Hoe je unsupervised machine learning, zoals dimensionality reduction, clustering en outlier detectie toepast

Deze workshop is voor jou omdat

• Je bent een programmeur die wil zien waar machine learning over gaat en hoe je het toepast met Python en het scikit-learn pakket
• Je bent een data-analist die de kracht van machine learning wil benutten om nieuwe inzichten uit hun data te halen
• Je wilt jouw kennis van machine learning naar een hoger niveau tillen en verder gaan dan een “black box” begrip

Programma

Dag 1:

• Basisprincipes van machine learning
  • Functies en labels
  • Trainen en testen
  • Soorten machine learning
• Scikit-learn API
  • Overzicht van modules en klassen
  • Gemeenschappelijk proces
• Unsupervised machine learning
  • Outlier detectie
  • Clustering
• Feature engineering
  • PCA
  • Feature selectie
  • One-hot codering
  • Bag-of-word representatie
  • TF-IDF

Dag 2:

• Classificatie
  • K-Nearest Neighbour
  • Decision Tree Classifier
  • Random Forest
  • Neural Network
• Regressie
  • Linear Regression
  • Polynomial Regression
  • Support Vector Regression
• Modelevaluatie
  • Prestaties meten
  • Overfitting en underfitting
  • Kruisvalidatie
  • Modelselectie
  • Pipelines en grid search
• Volgende stappen

Voorkennis

Er wordt van je verwacht dat je enige ervaring hebt met programmeren in Python. Onze workshop Programmeren in Python is een optie die je daarbij kan helpen. Grofweg gesproken, als je bekend bent met de volgende Python-syntaxis en -concepten, komt het goed:

• assignment, arithmetic, boolean expression, tuple unpacking
• bool, int, float, list, tuple, dict, str, type casting
• in operator, indexing, slicing
• if, elif, else, for, while
• range(), len(), zip()
• def, (keyword) arguments, default values
• import, import as, from import ...
• lambda functions, list comprehension
• JupyterLab of Jupyter Notebook

Voorbereiding

We gaan Python gebruiken samen met JupyterLab en het scikit-learn pakket. De aanbevolen manier om alles te installeren is door de Anaconda Distribution te downloaden en te installeren.