Machine learning

Over de opleiding machine learning

Een volledige opleiding machine learning, gericht op zelfstandige teams. In drie dagen leren deelnemers data voor te bereiden, de juiste leeraanpak te kiezen, modellen te trainen en resultaten correct te evalueren. Het doel is niet om van iedereen een software-ingenieur te maken, maar om een stevig inzicht op te bouwen, zodat teams machinelearningmethoden correct kunnen toepassen, resultaten kunnen interpreteren en goede beslissingen kunnen nemen over het gebruik van modellen.

De opleiding geeft voorrang aan conceptuele beheersing en praktische interpretatie. Vooraf geschreven code en begeleide voorbeelden illustreren de algoritmes, zodat deelnemers zich richten op het ‘waarom’ en het ‘hoe evalueren’, in plaats van tijd te verliezen aan implementatiedetails.

De eaQbe-methodologie: een stapsgewijze leercurve

We geloven niet in opleidingen die deelnemers met theorie overspoelen. We geloven in een gestructureerde onderdompeling. Ons ‘traject naar zelfstandigheid in drie fasen’ zorgt ervoor dat concepten niet alleen worden begrepen, maar ook echt worden beheerst.

1) Fundamenten en geschikte data
Deelnemers leren hoe datakwaliteit, verdelingen, informatielekken en keuzes bij de voorbewerking het modelgedrag rechtstreeks beïnvloeden. Ze ontwikkelen goede gewoonten rond feature engineering, codering, schaling, ontbrekende waarden en opsplitsingsstrategieën.

2) Leermethoden en modellen trainen
Deelnemers leren de belangrijkste families van gesuperviseerd en ongesuperviseerd leren kennen, wanneer ze die gebruiken en wat de aannames ervan betekenen. Ze oefenen het trainen en vergelijken van modellen met de juiste evaluatielogica voor elke taak.

3) Evaluatie, interpretatie en modelkeuze
Deelnemers beheersen de basis van evaluatie en interpretatie: maatstaven kiezen, fouten analyseren, overfitting begrijpen, validatie correct gebruiken en onderbouwde afwegingen maken tussen prestaties, stabiliteit en eenvoud.

Voortdurende toetsing van het geleerde

Elke module hergebruikt bewust de vorige en bouwt erop voort. Concepten worden herhaaldelijk toegepast in nieuwe oefeningen, zodat het begrip duurzaam wordt en niet oppervlakkig blijft.

Leerresultaten

• Een heldere, gemeenschappelijke basis van ML-concepten en -woordenschat
• Goede gewoonten in datavoorbereiding en feature engineering
• Het vermogen om gesuperviseerde en ongesuperviseerde modellen te trainen en te vergelijken
• Zekerheid bij evaluatie: maatstaven kiezen, resultaten lezen en veelvoorkomende valkuilen herkennen
• Betere beslissingen over wanneer ML geschikt is en hoe resultaten verantwoord worden gebruikt

Praktische informatie

• Vorm: interactieve workshop van 3 dagen
• Groepsgrootte: 3–6 deelnemers
• Voorkennis: geen
• Opvolging: evaluatie en praktische oefeningen om het geleerde na de opleiding te verankeren

Van datavoorbereiding tot modelevaluatie (3 dagen)

Module 1 – Datavoorbereiding en feature engineering
Data-eigenschappen, opschoningsstrategieën, het maken van kenmerken, keuzes bij de voorbewerking en factoren die de geldigheid van modellen kunnen ondermijnen (informatielekken, besmetting met de doelvariabele en vertekende opsplitsingen).

Module 2 – Basis van training en evaluatie
Logica van training en validatie, generalisatie, overfitting tegenover underfitting, inzicht in bias en variantie, denken vanuit een referentiemodel en principes voor de keuze van maatstaven.

Module 3 – Gesuperviseerd leren: parametrische methoden
Basisinzicht in en gebruik van modellen zoals lineaire en logistische regressie en neurale netwerken: wat ze leren, welke aannames ze maken en waarop u bij evaluatie moet letten.

Module 4 – Gesuperviseerd leren: niet-parametrische methoden
Beslissingsbomen, random forests, gradient boosting (bijvoorbeeld zoals in XGBoost) en KNN: hoe ze zich gedragen, hoe u ze zinvol afstemt en hoe u modellen eerlijk vergelijkt.

Module 5 – Basis van ongesuperviseerd leren
Fundamenten van clustering en patroonherkenning: toepassingen, beperkingen en interpretatie van resultaten, met praktische gewoonten voor evaluatie.

Eindresultaat (einde van dag 3)
Deelnemers kunnen data correct voorbereiden, de belangrijkste modelfamilies trainen, resultaten met de juiste maatstaven evalueren en uitkomsten met vertrouwen interpreteren.

Veelgestelde vragen

Hebben deelnemers een achtergrond in wiskunde of programmeren nodig?

Geen zware wiskunde. De opleiding richt zich op praktisch gebruik: data voorbereiden, gesuperviseerde en ongesuperviseerde modellen trainen, prestaties evalueren en resultaten interpreteren voor zakelijke beslissingen. Concepten worden via de praktijkvoorbeelden geïntroduceerd, met de diepgang die nodig is om ze goed te gebruiken.

Hoe verschilt dit van de opleiding AI-geletterdheid?

AI-geletterdheid legt het landschap in een halve dag uit aan elk profiel. Bij machine learning werkt u zelf met de modellen: deelnemers bereiden data voor en trainen en evalueren zelf modellen. De ene opleiding bouwt een gedeeld begrip in een bedrijf op, de andere een praktische vaardigheid voor teams die met data werken.

Welke soorten modellen komen aan bod?

Beide families: gesuperviseerd leren, waarbij het model leert van gelabelde voorbeelden om te voorspellen of te classificeren, en ongesuperviseerd leren, waarbij het structuur zoals segmenten in ongelabelde data ontdekt. De opleiding laat zien welke familie bij welke bedrijfsvraag past.

Hoe weten we of een model goed is?

Een model wordt beoordeeld op data die het nog nooit heeft gezien, met maatstaven die gekozen zijn voor de beslissing die het ondersteunt. Evaluatie en interpretatie nemen bewust een groot deel van de opleiding in, omdat volgens onze ervaring de meeste ML-mislukkingen in bedrijven in de evaluatiefase ontstaan.

Kunnen we met onze eigen data werken?

Dat heeft onze voorkeur. Modellen trainen op de data van uw organisatie maakt elke stap concreet, van voorbereiding tot interpretatie. De sessies worden in het Frans of het Engels gegeven, ter plaatse in heel België en Luxemburg (we zijn gevestigd in Brussel) of op afstand.