postacademische opleiding

Machine learning: van theorie tot praktijk

12 mrt 2026 - 25 jun 2026

Deze opleiding geeft je een stevige basis over machine learning en prediction algorithms. Na de theorie wordt er ook tijd gemaakt voor hands-on oefeningen.

Lees meer & inschrijven ⇗

Er wordt vaak gezegd dat data de nieuwe olie is, maar niet alle data is gelijk, noch staan grote hoeveelheden data garant voor grote waarde. Het is dankzij data analyse en machine learning dat waarde uit de verzamelde data kan gehaald worden. Machine learning wordt dan ook gezien als de motor van de vierde industriële revolutie. De wendbaarheid van bedrijven moet maximaal zijn om te kunnen blijven overleven. Het Internet of Things genereert continu data en er zijn momenteel al meer toestellen en machines die data genereren dan de gehele mensheid bij elkaar. Wie bovenop de data zit én hier machine learning succesvol op weet toe te passen, wordt de koploper en kan een hele sector op zijn kop zetten en domineren. Dit bewezen bedrijven zoals Amazon, Google, Netflix, Uber, en nog heel veel andere ondernemingen reeds met hun succesverhalen. De sleutel tot het overleven van deze nieuwe industriële revolutie is dan ook niet deze te ondergaan, maar in de bestuurderszetel te zitten door ervaring op te doen met machine learning.

Naast de theoretische achtergrond, wordt daarom in deze opleiding ook aandacht besteed aan het verwerven van praktisch inzicht via hands-on ervaring. Er wordt een overzicht gegeven van de verschillende machine learning principes en technieken, de valkuilen en de best-practices. Deze opleiding zal u naast een diepgaande theoretische basis ook de essentiële praktische know-how aanleveren die u zal kunnen gebruiken om zelf met machine learning aan de slag te gaan voor uw projecten.

In de cursus komen zowel clustering-, classificatie- als regressiemethoden aan bod, en worden deze toegepast op real-life data sets. We focussen in deze cursus vooral op de basisconcepten en -technieken, maar gaan ook dieper in op de toepassing ervan voor onder andere anomaliedetectie. De data extractietechnieken om deze data sets aan te leggen enerzijds en technieken om de data op te schonen en visualiseren anderzijds worden ook behandeld.

In parallel met de verschillende lessen, kan je ook vrijblijvend deelnemen aan een diepgaander project waar je (alleen of in groep) alle tot dan toe geziene technieken kan combineren en gebruiken om een praktisch probleem uit de industrie op te lossen. Je werkt zelfstandig aan dit project, maar we voorzien ook 3 sessies om feedback te geven aan alle deelnemers van dit project.

Lesgevers / sprekers

Jan Verwaeren

ai.ugent.be/people/JanVerwaeren.en.html

Jan Verwaeren is Assistant professor at the Department of Data Analysis and Mathematical Modelling of the Faculty of Bioscience Engineering of Ghent University. He is a member of the Knowledge-based Systems research unit KERMIT. His research activities are centered on image analysis and the fusion of heterogeneous data and applied research on, among others, video-based monitoring of plants and animals and on data-driven modelling for pharmaceutical engineering.

Keywords: Image Analysis, Monitoring Biological Systems, Mathematical Modelling,, Mathematical Optimization

Sofie Van Hoecke

ai.ugent.be/people/SofieVanHoecke.en.html

Sofie Van Hoecke graduated from the Engineering Department from the Ghent University in 2003. Following up on her studies in computer science, she achieved a PhD in computer science engineering at the Department of Information Technology at the same university on Efficient service management in healthcare. After being a postdoctoral research engineer at the Department of Information Technology, she started as lecturer ICT and ICT research coordinator at the University College West-Flanders. Currently, she is Associate professor at UGent-imec and Lead of the PreDiCT research team of IDLab, UGent-imec.

Her specialties are: multi-sensor and service oriented architectures, novel services, condition monitoring, emotion recognition, machine learning, semantic dashboards, and the fusion of machine learning and semantic technologies, applied in both predictive maintenance and predictive healthcare.

Toon De Pessemier

ai.ugent.be/people/ToonDePessemier.en.html

Toon De Pessemier studied at Ghent University where he received the MSc degree in computer science engineering in 2006. That same year, he joined the WiCa research group of Ghent University (now known as WAVES). From 2007 to 2011, he was a Ph.D. student of the Research Foundation—Flanders (FWO).

In 2013, he obtained a PhD on his research topic “improved online services by personalized recommendations and optimal quality of experience parameters”. In 2015, he obtained a BOF scholarship at Ghent University. The title of his research work is “Design and validation of innovative techniques to assist people in the decision making process by analyzing data of user behavior and contextual features”. His current research interests include recommender systems and personalization in general with specific focuses on context-aware, real-time, and group recommendations as well as the combination of human intelligence and recommendation algorithms. Last years, he applied the knowledge of machine learning to the domain of industry 4.0, more specifically for scheduling and machine failure prediction.

Keywords: Personalization, recommender systems, machine learning, Industry 4.0, scheduling

Willem Waegeman

Willem Waegeman is an associate professor at Ghent University, and a member of the research unit Knowledge-based Systems (KERMIT) of the Department of Data Analysis and Mathematical Modelling. His main interests are machine learning and bioinformatics. Specific interests include multi-target prediction problems, uncertainty quantification, sequence models and deep learning.

Willem Waegeman is an author of more than 100 papers of peer-reviewed journals and conferences, and his work has won several prizes. In recent years he has served on the program committees of leading conferences in his field (ICML, NIPS, ECML/PKDD, AAAI, AISTATS, IJCAI, etc.).

Since 2008 he is lecturing a machine learning course in Ghent. Since 2014 he is also lecturing several introductory math courses in the first bachelor (> 500 students per year). Willem Waegeman is currently supervising eight PhD-students.