Machine Learning met Python

In de cursus Machine Learning met Python leren de deelnemers hoe je machine learning algoritmes kunt implementeren door gebruik te maken van Python en de Scikit-learn library.

Machine Learning Intro
De cursus Machine Learning met Python gaat van start met een overzicht van de basis concepten van Machine Learning waarbij modellen worden gemaakt op basis aangeleverde data. Hierbij wordt het verschil duidelijk gemaakt tussen Supervised en Unsupervised Learning.
Scikit-learn Library
Vervolgens wordt ingegaan op de libraries die het fundament vormen achter Machine Learning met Scikit-learn zoals Numpy, Panda's, MatPlotLib en Seaborn. In de basis architectuur van Scikit-learn wordt de data gesplitst in een feature matrix en een target array. Aan de orde komt verder hoe een model wordt getraind met een training set om vervolgens te worden vergeleken een test set met de Estimator API.
Feature Handling
Onderdeel van het programma van de cursus Machine Learning met Python is ook Feature Engineering. Hierbij wordt besproken hoe omgegaan kan worden met categorische features, text features, image features en derived features. En ook het gebruik van features pipelines wordt uitgelegd.
Regressies
Na een behandeling van het Naive Bayes theorema met Naive Bayes classifiers en de daarop gebaseerde modellen wordt dan ingegaan Lineaire en ook Logistische regressie.