Voor wie is deze cursus machine learning bedoeld?
Het is bedoeld voor productmanagers, operationeel en financieel leidinggevenden, oprichters en iedereen die een systeem voor machinaal leren moet goedkeuren, kopen of ermee moet samenwerken. Misschien beoordeelt u een model van een leverancier dat klantverloop voorspelt, beslist u of een prognoseproject financiering waard is of legt u klanten een functie op basis van machinaal leren uit.
Voor wie is deze cursus machine learning niet bedoeld?
Het is niet bedoeld voor mensen die al als ontwikkelaar van machineleersystemen of datawetenschapper werken en specialistische verdieping zoeken. Het basistraject bevat geen wiskundige afleidingen en de optionele programmeerlessen in Python beginnen vanaf nul, niet op onderzoeksniveau. Wilt u via een voltijds traject aan de slag in machinaal leren, zoek dan een universitaire module of een technisch gerichte bootcamp; deze cursus biedt geen baangarantie. Deze cursus is bedoeld voor mensen die met zulke ontwikkelaars samenwerken en voor iedereen die een eerste praktische start wil maken.
Wat leer ik per module?
De modules bouwen één samenhangend beeld van machinaal leren op en passen dat vervolgens toe op beslissingen waar u daadwerkelijk voor staat.
1. Wat machinaal leren is
Patronen leren uit voorbeelden in plaats van regels te schrijven, en hoe dit verschilt van generatieve AI en eenvoudige automatisering.
2. Trainingsgegevens
Labels, kenmerken en historische gegevens, en waarom een model nooit beter kan zijn dan de voorbeelden waarvan het heeft geleerd.
3. Modellen en voorspellingen
Classificatie, het voorspellen van getallen en rangschikking, uitgelegd met zakelijke voorbeelden in plaats van vergelijkingen.
4. Evaluatie en overfitting
Testgegevens, het verschil tussen nauwkeurigheid, precisie en sensitiviteit in gewone taal, en waarom een model dat bij het testen perfect presteert in de praktijk kan falen.
5. Vooringenomenheid en afwijkingen in de loop van de tijd
Hoe historische gegevens tot oneerlijke uitkomsten leiden en waarom modellen slechter presteren als klanten en markten veranderen.
6. Een project voor machinaal leren aansturen en kritisch bevragen
De beslissing, de succesmaatstaf en de kosten van fouten bepalen, en de vragen voor leveranciers en teams formuleren.
Hoe past het persoonlijke leertraject zich aan mij aan?
De instaptoets brengt in kaart of het onderwerp nieuw voor u is of dat u al demonstraties van leveranciers heeft bijgewoond, en welke beslissingen u neemt. Voor een productmanager draaien de voorbeelden om aanbevelings- en rangschikkingsfuncties; voor een financieel manager om prognoses en fraudesignalen. Als u het verschil tussen trainings- en testgegevens al kunt uitleggen, gaat u direct door naar evaluatie.
Wat oefen ik?
U oefent met het lezen van werk op het gebied van machinaal leren, het formuleren van opdrachten daarvoor en het kritisch bevragen ervan. Opdrachten worden beoordeeld aan de hand van zichtbare beoordelingscriteria, met specifieke feedback. U kunt een score laten herbeoordelen.
Voorbeeldtaak: een fictief softwarebedrijf, Lumen Ledger, krijgt van een leverancier een model te zien dat klantverloop voorspelt met een nauwkeurigheid van 95 procent. Slechts 4 procent van de klanten vertrekt daadwerkelijk. U legt uit waarom het nauwkeurigheidspercentage op zichzelf weinig zegt en somt op welke informatie u in plaats daarvan zou vragen. De beoordelingscriteria toetsen of u opmerkt dat de voorspelling 'geen klantverloop' voor iedereen een score van 96 procent zou opleveren, vraagt hoeveel daadwerkelijk vertrekkende klanten het model herkent, vraagt welke testgegevens zijn gebruikt en vraagt hoe vaak het model opnieuw wordt getraind.
Hoelang duurt de cursus machinaal leren?
Elke les duurt 10 tot 15 minuten. De lengte van uw leertraject hangt af van uw instaptoets en hoe regelmatig u leert. Er is dus geen vast totaal aantal uren. Mensen die al verstand hebben van gegevens en statistiek doorlopen de eerste modules vaak sneller.
Wat krijg ik aan het eind?
U sluit af met een praktijktoets: een voorstel voor machinaal leren beoordelen en een korte beslisnota schrijven. Als u slaagt, ontvangt u een erkend certificaat in de grondslagen van machinaal leren voor professionals. Het is geen geaccrediteerde kwalificatie en het toont geen technische ontwikkelvaardigheden aan.
Hoeveel kost het?
De basisprincipes van machine learning zijn bij elk abonnement inbegrepen. Het individuele abonnement kost USD 79 per maand of USD 790 per jaar. Het teamabonnement kost USD 189 per maand of USD 1,890 per jaar voor maximaal 3 leden, plus USD 49 per maand of USD 490 per jaar voor elk extra lid. Teams van 25 of meer krijgen volumetarieven. U begint met een gratis proefperiode van 7 dagen, zonder creditcard.