Artificial Intelligence @home

Artificial Intelligence (AI) is niet meer voorbehouden voor academici. Machine Learning en Deep Learning zijn dankzij krachtige frameworks en cloud services binnen het bereik van iedere IT’er. Uit data inzichten puren, voorspellingen doen of automatisch patronen herkennen en classificeren, Machine Learning en Deep Learning geven een enorme boost aan je mogelijkheden als ontwikkelaar. "Software ate the world, AI will eat software."

Deze @home opleiding staat open voor iedereen die minimum 21 jaar is en/of werkstudent. Je kiest zelf wanneer je wilt studeren en ons team begeleidt jou via het internet. Er zijn ook enkele contactmomenten op de campus voorzien. Afstandsonderwijs wordt hoofdzakelijk via onze krachtige Learning management system (LMS) gegeven. Je krijgt video opnames van goede kwaliteit van het dagonderwijs, en een heleboel practica ter beschikking om op je eigen tempo je de leerstof eigen te maken.

Hoe werkt het?

Deze @home opleiding staat open voor iedereen die minimum 21 jaar is en/of werkstudent. Je kiest zelf wanneer je wilt studeren en ons team begeleidt jou via het internet. Er zijn ook enkele contactmomenten op de campus voorzien. Afstandsonderwijs wordt hoofdzakelijk via ons krachtige Learning Management System (LMS) gegeven. Je krijgt Nederlandstalige video-opnames van goede kwaliteit van het dagonderwijs, en een heleboel practica om op je eigen tempo de leerstof onder de knie te krijgen. Er is per module:

• Een introductieles voorzien in Kortrijk. Je kan dit ook in digitaal volgen, en achteraf de opname bekijken.
• Een verplicht examenmoment, ofwel op campus, ofwel in afstand via ons leerplatform.
• Alle lessen worden ingericht als afstandsonderwijs, met het nodige materiaal (video + practica) op ons leerplatform.

Elk jaar zijn er 50 tot 90 studenten die een @Home opleiding combineren met hun werk, dat lukt zeker en vast!

Onze @Home opleiding is gespreid over 3 pijlers. Na een eerste opleiding AI@Home heb je een keuze tussen 1 van de beide andere pijlers: Deploying AI@Home of AI@Home Pro.

Machine learning en deep learning zijn dankzij krachtige frameworks en cloud services binnen het bereik van iedere IT'er.

Uit data inzichten puren, voorspellingen doen of automatisch patronen herkennen en classificeren? Machine Learning en Deep Learning geven een enorme boost aan je mogelijkheden als ontwikkelaar.

Je volgt dezelfde basis van Machine Learning en Deep Learning als de reguliere studenten om artificiële intelligentie onder de knie te krijgen. Na deze opleiding ben je in staat om je tot AI Engineer te bekronen, en heb je genoeg kennis over Neurale Netwerken om innovatieve projecten uit te werken.

Na het afronden van deze microdegree heb je keuze om een tweede microdegree te volgen. Je hebt hiervoor keuze tussen Deploying AI@Home of AI@Home Pro.

Machine Learning

In Machine Learning leggen we de nadruk op het conceptueel begrijpen van hoe bepaalde algoritmes werken. Belangrijk is om de juiste machine learning algoritmes te kunnen kiezen, trainen, correct evalueren en de prestaties ervan te verbeteren via hyperparameter tuning. We bekijken de meest courante machine learning technieken waarmee je in de praktijk onmiddellijk aan de slag kunt:

• Supervised learning waarbij je leert uit gelabelde data:
  • Lineaire (meervoudige) regressie waarmee je continue outputs kunt voorspellen. Voorbeelden zijn het voorspellen van beurskoersen, het schatten van de leeftijd van een persoon op basis van een foto van het gezicht, risico’s voorspellen, predicties doen van verkoopsaantallen, etc.
  • Classificatie laat je toe om data in categorieën onder te verdelen. Gezichtsherkenning, handschriftherkenning, kankerdetectie, voorspellen of iemand op een advertentie of link zal klikken zijn maar enkele voorbeelden. Topics en algoritmes die aan bod komen zijn logistic regression, Support Vector Machines, Naive Bayes, Random Forest Trees en Ensemble learning.
• Unsupervised learning waarbij je informatie haalt uit niet gelabelde data.
  • Clustering technieken waarbij je op zoek gaat naar gelijksoortige data. Op deze manier kan je patronen, verbanden en gelijkenissen ontdekken in complexe multi-dimensionele data.
  • Dimensionality reduction laat ons toe om data te transformeren naar de essentie. Zo kan data compacter voorgesteld worden of kan de performantie van machine learning voorspellingstechnieken verhoogd worden.
• Neurale netwerken, geïnspireerd op de werking van de hersenen laten ons toe om inzichten uit data te halen die tot voor kort niet mogelijk maken. In de module machine learning bekijken we de conceptuele werking ervan en bouwen we neurale netwerken voor regressie en classificatie. Daarmee wordt de basis gelegd voor de module deep learning die hier verder op bouwt.

Vandaag de dag al zijn data scientists en AI experts bij de meest gegeerde profielen op de arbeidsmarkt. De meest succesvolle bedrijven ter wereld zijn dikwijls degene die ook koploper zijn op het vlak van data science en artificiële intelligentie. Denk maar aan Google en Facebook die gebruikersprofielen analyseren en advertenties op maat aanbieden, Tesla die aan de hand van sensordata hun wagens zelfrijdend maakt, luchtvaarmaatschappijen die optimale vliegroutes uitstippelen, banken die beurskoersen voorspellen, risico’s inschatten of fraude detecteren.

In deze module leer je de concepten van een aantal machine learning algoritmes en vooral hoe je ze praktisch kunt toepassen om ML problemen op te lossen.

Tevens wordt de basis gelegd voor de module Deep Learning die hierop aansluit.

Deep Learning

De module deep learning gaat verder waar de module Machine Learning is gestopt, namelijk bij de neurale netwerken.

• Herhaling neurale netwerken en introductie tot deep learing.
• Convolutional Neural Networks (CNN) die vooral gebruikt worden bij image recogntion.
• Auto encoders en restricted Bolzmann machines: kunnen verloren of beschadigde data reconstrueren maar ook gebruikt worden om muziek te genereren of suggesties te doen.
• Generative Adversarial Networks (GAN). Worden gebruikt voor bijvoorbeeld generatatie van afbeeldingen, voorspellen van welk geneesmiddel zal werken bij bepaalde symptomen …
• Recommendation systems voor het genereren van gepersonaliseerde aanbevelingen.
• Neurale netwerken met geheugen: Recursive Neural Networks (RNN) en Long Short-term memory networks (LSTM): toepassingen zijn bijvoorbeeld natural language processing en sentiment analysis.
• Reinforcement learning: het algoritme leert door interactie met de omgeving.