Deep Learning (voor IT-profielen)

Artificial Intelligence (AI) is nog steeds aan een steile opmars bezig en is intussen reeds stevig verankerd in onze maatschappij, het werkveld en zelfs onze persoonlijke leefwereld. Het aantal applicaties en devices dat de transitie naar ‘smart' maakt, stijgt nog dagelijks.

Denk maar aan de impact die ChatGPT gehad heeft, maar bijvoorbeeld ook de algoritmes van Netflix of Spotify die je soms beter kennen dan je jezelf kent.

De belangrijkste motor hiervoor is Deep Learning of Artificiële Neurale Netwerken. Bij dit proces wordt het menselijk brein nagebootst door te werken met netwerken die bestaan uit verschillende lagen die allemaal beelden, getallen, geluid en teksten kunnen herkennen. Hoe meer lagen, hoe krachtiger en 'deeper' het netwerk zal zijn.

Voorbeelden zijn chatbots, gezichtsherkenning en automatische vertalingen. Deze systemen maken gebruik van een groot aantal lagen en parameters en worden steeds beter en efficiënter naarmate ze meer data gevoed krijgen waaruit ze kunnen leren.

Computer Vision, Natural Language Processing en Large Language Models (LLMs)

Tijdens deze training geven we een overzicht van hedendaagse toepassingen Deep Learning, zoomen we in op de belangrijkste bouwstenen en gaan we praktisch aan de slag in de twee domeinen die momenteel het meest production ready zijn: Computer Vision, Natural Language Models (NLPs) en Large Language Models (LLMs).

Docente Katrien Laenen is je ervaren trainer en coach.

Bekijk ook de vooropleiding Artificial Intelligence (AI): Fundamentals.

Recap

• Wat is Machine Learning en Deep Learning?
• Welke technieken en toepassingen bestaan er zo al?
• Ethische aspecten van deze technologie

Bouwstenen

• Neural Network bouwstenen
• Learning aspecten van een Neural Network model
• Data Gathering en cleaning
• Training, validating, testing a model

Computer Vision

• Convolutional Neural Network
• Imagenet en Transfer Learning

NLP en LLMs

• Frequency based modelering
• Word Embeddings en Language Model
• RNN, LSTM, en Transfer Learning

Advanced concepts

• Auto-encoders
• GANs
• Attention & Transformers
• Time-series predictions

Praktisch aan de slag

• We maken doorheen het verhaal steeds de vertaalslag naar praktische code om het geheel tastbaar te maken.
• Een greep uit gebruikte technologieën: Python, Jupyter Notebooks, Anaconda, Google Colab, Kaggle, Keras en TensorFlow, Fastai en PyTorch.