Inleiding tot Diepteleren

• De relatie tussen Machine Learning en Deep Learning

• Toepassingsgebieden en use cases

• Fundamentele principes van machinaal leren

• Belangrijkste tools en bibliotheken voor Diepteleren: TensorFlow, Keras, enz.

TensorFlow ontdekken

• Installatie van TensorFlow en het ecosysteem, presentatie van tensors (multidimensionale arrays), variabelen en plaatshouders, presentatie van TensorFlow-grafieken en sessies

• Voorbeelden met behulp van TensorFlow API's: schatters, lagen, datasets, enz.

• Bewerkingen op datasets zoals regressie en classificatie. Visualiseren van grafieken en leercurves met TensorBoard

• Oefeningen

Kunstmatige neurale netwerken of ANN's (Deep Learning)

• Presentatie van de werking van enkellaags en meerlaags perceptrons, configuratie en parametrisatie van een neuraal netwerk.

• Software-aanpak voor de ontwikkeling van neurale netwerken: activering en deactivering

• Ontwerpen van een neuraal netwerk in functie van het op te lossen probleem

• Oefeningen

Een neuraal netwerk trainen

• Presentatie van trainingsmethoden: kostenfunctie, gradiëntdaling en backpropagatie

• Belang van metrologie: keuze van parameters

• Presentatie van data-uitbreidingstechnieken en de valkuil van overleren door regularisatie

• Hergebruik van ANN's door middel van transfer learning of het gebruik van voorgetrainde lagen

• Oefeningen

Convolutionele neurale netwerken of CNN's

• Presentatie van de werkingsprincipes en definitie van convolutiefilters

• Ontwikkeling van een convolutielaag en een poollaag

• Software-aanpak voor de ontwikkeling van een convolutioneel neuraal netwerk

• Oefeningen

Terugkerende neurale netwerken of RNN's

• Voorstelling van de werkingsprincipes en het belang van het verdwijnen van de gradiënt

• Softwareaanpak voor de ontwikkeling van een terugkerend neuraal netwerk

• Presentatie van een LSTM-cel (Long Short-Term Memory) en zijn vereenvoudigde versie, de GRU-cel

• Grondbeginselen van NLP of Natural Language Processing

• Oefeningen

Diep leren

• Het principe van scoren en optimaliseren per doelstelling

• Presentatie van de Gym-toolkit voor reinforcement programming

• Principe van Markov criterium besluitvorming

• Fundamentele principes van verschilleren (temporeel, enz.)

• Oefeningen

Prestaties en productie

• Draaien op CPU's, GPU's, TPU's of clusters

• Productie met TensorServing

• Oefeningen

Praktijkvoorbeelden

• Presentatie van een casestudy waarin de deelnemers in groepen strijden om de meest efficiënte oplossing te vinden.

Praktische oefeningen

De oefeningen die tijdens de trainingssessies worden voorgesteld, richten zich op elk concept dat tijdens de cursus wordt gepresenteerd. De oefeningen benaderen de concepten en de moeilijkheidsgraad progressief. Aan het einde van de cursus krijgen de deelnemers een samenvattende oefening om hen te helpen de concepten te integreren.