Cursus · 7 hoofdstukken
Machine Learning
Bouw klassieke ML-modellen die standhouden in productie. Leer met scikit-learn over datasplitsing, verkennende data-analyse, feature engineering en algoritmeselectie in 7 praktijkgerichte hoofdstukken.
Wat je zult kunnen
- Problemen framen als classificatie of regressie
- Data splitsen zonder lekkage
- Verkennende data-analyse uitvoeren
- Features bouwen in overzichtelijke pijplijnen
- Het juiste scikit-learn-algoritme kiezen
- Modellen valideren met kruisvalidatie
Wat erin zit
- 1Data splitsen — train / validatie / test op de juiste manier
Leer waarom een driedeling onmisbaar is, hoe je verhoudingen kiest, structuur behoudt, tijd respecteert en de lekkage voorkomt waardoor modellen in notebooks geweldig lijken, maar in productie falen.
- 2Best practices voor modelselectie — stem het algoritme af op data en doel
Leer het systematische proces voor het kiezen van het juiste ML-algoritme: begin met een baseline, stem af op de datakenmerken, valideer met cross-validatie, en weet wanneer je kunt shippen.
- 3Machine learning: begin hier
De oriëntatiekaart voor het machine learning-pad — waarom deze zes hoofdstukken bij elkaar horen, wat je kunt na afronding, en waar je begint.
- 4Algoritme-overzicht — sklearn-families, wanneer je welke inzet
Koppel elk ML-probleemtype aan de concrete algoritmefamilies in scikit-learn — lineaire modellen, bomen, SVM's, ensembles en meer — zodat je het juiste gereedschap kiest vóór je een regel code schrijft.
- 5Dataopschoning & feature-engineering
Ontbrekende waarden, uitschieters, schaling, encoding en pipeline-opbouw — zet ruwe EDA-bevindingen om in modelklare features.
- 6Verkennende data-analyse — verdelingen, correlaties, anomalieën
Beheers het systematisch onderzoeken van datasets vóór het modelleren — verdelingen onthullen de vorm, correlaties onthullen het signaal en anomalieën onthullen wat er gerepareerd moet worden.
- 7ML-probleemtypen — Classificatie, Regressie, Clustering
Leer herkennen of je bedrijfsvraag een classifier, een regressor of een clustering-algoritme vereist — de beslissing die elke vervolgkeuze bepaalt.
Veelgestelde vragen
- Wat leer ik in deze machine learning cursus?
- Je leert de klassieke ML-workflow van begin tot eind: datasplitsing, verkennende data-analyse, dataopschoning, feature engineering, het probleemtype bepalen en het juiste scikit-learn-algoritme kiezen. De 7 hoofdstukken zijn opgebouwd rond praktische, productiegerichte beslissingen.
- Voor wie is deze cursus bedoeld?
- De cursus is gericht op engineers op praktijkniveau die betrouwbare machine learning-modellen willen bouwen met scikit-learn. Hij is geschikt voor software- of data-engineers die de overstap naar ML maken, al kunnen programmeren en een systematisch modelleringsproces willen volgen.
- Heb ik voorkennis nodig of moet ik kunnen programmeren?
- Ja, dit is een cursus op praktijkniveau, dus je moet vertrouwd zijn met programmeren in Python en werken met data. Er wordt vanuit gegaan dat je code kunt uitvoeren; programmeren van nul af aan wordt niet behandeld.
- Hoe lang duurt de cursus en is er een certificaat?
- Het leerpad heeft 7 hoofdstukken met in totaal ongeveer 140 minuten (circa 2,3 uur). Door de hoofdstukken in de AI Academy te voltooien, ontvang je een certificaat dat je kunt delen.
- Is deze cursus gratis?
- Nee, dit is een betaald leerpad dat is inbegrepen bij een AI Academy by Anthropos-abonnement. Zodra je bent geabonneerd, heb je volledige toegang tot alle 7 hoofdstukken.
Behaal een certificaat
Rond alle hoofdstukken af om je certificaat van afronding te ontvangen.