`

Machine learning: van theorie tot praktijk

21 september 2021 – 14 december 2021

Opgelet! Deze opleiding is volzet. U kunt zich wel nog inschrijven op de wachtlijst.

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, aan de hand van 3 modules die elk bestaan uit 4 avondsessies, 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. Naast de basisconcepten, gaan we ook dieper in op meer geavanceerde machine learning technieken zoals anomaliedetectie, time series analyse en aanbevelingssystemen. 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. We eindigen deze opleiding door te tonen hoe alle tot dan toe geziene technieken gecombineerd en gebruikt kunnen worden om praktische problemen in verschillende industrieën op te lossen, en geven deelnemers de kans advies te vragen hoe aan de slag te gaan met hun eigen bedrijfsproject en -data.

Met de steun van de:



De lessen zijn bedoeld voor iedereen die een goede professionele vertrouwdheid met informatica heeft en die graag praktisch, via hands-on sessies, aan de slag wil met machine learning. Deelnemers hebben een hogere opleiding in de informatica gevolgd of hebben een gelijkwaardige ervaring opgebouwd.

Deelnemers hebben programmeerervaring met Python of een aanverwante programmeertaal. Er kan een vrijblijvend labo “Introduction to Python” gevolgd worden om de basisvaardigheden in programmeren in Python op te frissen.

Er wordt gewerkt met eigen laptop. Deze moet krachtig genoeg zijn (minimum 8GB RAM) en deelnemers moeten administratierechten hebben voor het installeren van de nodige programma’s.

Het aantal deelnemers is beperkt tot 25.



U ontvangt een getuigschrift, indien u deelneemt aan de volledige opleiding en slaagt voor het bijhorende examen (schriftelijk, multiple choice).
Het examen vindt plaats op 25 januari 2022 om 17u30.



Wetenschappelijk Coördinator

  • Prof. dr. ir. Sofie Van Hoecke, Vakgroep Elektronica en Informatiesystemen, Faculteit Ingenieurswetenschappen en Architectuur, Universiteit Gent

Lesgevers

  • Dr. ir. Jim Clauwaert, Vakgroep Data-analyse en wiskundige modellering, Faculteit Bio-ingenieurswetenschappen, Universiteit Gent
  • Prof. dr. ir. Toon De Pessemier, Waves, Vakgroep Informatietechnologie, Faculteit Ingenieurswetenschappen en Architectuur, Universiteit Gent
  • Prof. dr. Stijn Luca, Vakgroep Data-analyse en wiskundige modellering, Faculteit Bio-ingenieurswetenschappen, Universiteit Gent
  • Prof. dr. ir. Luc Martens, Waves, Vakgroep Informatietechnologie, Faculteit Ingenieurswetenschappen en Architectuur, Universiteit Gent
  • Prof. dr. ir. Sofie Van Hoecke, IDLab, Vakgroep Elektronica en Informatiesystemen, Faculteit Ingenieurswetenschappen en Architectuur, Universiteit Gent
  • Prof. dr. ir. Jan Verwaeren, Vakgroep Data-analyse en wiskundige modellering, Faculteit Bio-ingenieurswetenschappen, Universiteit Gent


Programma



Vrijblijvende online module om basisvaardigheden in programmeren in Python op te frissen



In deze eerste module introduceren we de basisterminologie en concepten achter machine learning.

Sessie 1: Intro

We starten met de verschillende categorieën van machine learning: unsupervised learning, supervised learning, reinforcement learning en eventuele hybride varianten. We leren het verschil tussen clustering, classificatie en regressie, en gaan dieper in op de basis evaluatiemetrieken en data cleaning. We gaan ook direct aan de slag met Nearest Neighbor methodes, een zeer eenvoudige classificatiemethode die verrassend goed werkt bij veel problemen.

Sessie 2: Data visualisatie

Datavisualisatie is een belangrijk onderdeel van elk machine learning-project om meer te weten te komen over de beschikbare data en eerste patronen te identificeren. We behandelen basis plotting bibliotheken zoals plotly, plotnine en matplotlib, en leren hoe we hoog-dimensionale data kunnen visualiseren. Ook clustering komt in deze sessie aan bod, zowel als finale taak, of gebruikt tijdens de data exploratie en preprocessing. Feature aggregatie en principale componenten analyse zal gebruikt worden wanneer we een grote hoeveelheid gegevens willen beschrijven met een kleiner aantal features.

Sessie 3: Regressie

Lineaire regressie is een zeer eenvoudige maar zeer nuttige methode om een kwantitatieve uitkomst te voorspellen. Naast het bespreken van lineaire regressie als basistechniek, gaan we ook in op de tekortkomingen en nieuwere, complexere benaderingen waarbij lineaire regressie aan de basis ligt. Ook gradient descent en feature engineering voor niet-vectoriële data komen in deze sessie aan bod.

Sessie 4: Lineaire classificatie

Wanneer de output kwalitatief of categorisch is in plaats van kwantitatief, dienen we classificatietechnieken te gebruiken in plaats van regressie. Er bestaan heel wat technieken, en daarom bespreken we hier de twee meest gebruikte classificatiemethodes naast k-Nearest Neighbours die reeds in de eerste les gezien werd, zijnde logistische regressie en lineaire discriminantanalyse.


Lesgevers: Stijn Luca, Sofie Van Hoecke, Jan Verwaeren
Data: 21 en 28 september, 5 en 12 oktober 2021




We zoomen verder in op de basisconcepten van machine learning, van beslissingsbomen en ensembles tot neurale netwerken.

Sessie 1: Model selection & regularization

In deze les gaan we dieper in op het verschil tussen test error rate en training error rate, en waarom het zo belangrijk is een train-, test- en validatieset te hebben. Cross-validatie zal ons helpen wanneer we geen grote beschikbare test set hebben, en we zien hoe we een bias-variantie trade-off maken. Bootstrapping zal helpen om de onzekerheid van onze predictie te kwantificeren voor ongeziene data. We gaan ook dieper in op feature selectie en ridge regressie.

Sessie 2: Tree-based classification

Beslissingsbomen zijn zeer populaire technieken die zowel voor classificatie als regressie gebruikt kunnen worden. Ze zijn interpreteerbaar en kunnen ook gebruikt worden voor feature selection. Ensemble-methoden profiteren van de voordelen van beslissingsbomen, terwijl ze de neiging tot overfitting verminderen. We leren hoe bagging (bootstrap-aggregatie) of boosting kan helpen om de variantie en bias te verminderen.

Sessie 3: Neural networks

(Diepe) neurale netwerken kunnen hier niet ontbreken vanwege de vooruitgang die hier de afgelopen jaren geboekt is. Neurale netwerken modelleren de data met behulp van kunstmatige neuronen. Ook deze techniek kan gebruikt worden voor zowel classificatie als regressie. Ook transfer learning en incremental learning komen aan bod.

Sessie 4: Convolutional Neural Networks

In de laatste les van deze module gaan we dieper in op gespecialiseerde neurale netwerken, meer specifiek convolutionele neurale netwerken. De introductie van convolutionele neurale netwerken zorgden voor een enorme verbetering in taken zoals beeldherkenning, maar hebben de laatste jaren ook veel success geboekt in andere velden. Deze vooruitgang ging verder gepaard met allerhande architecturale veranderingen aan het netwerk die het optimaliseren van zeer diepe modellen mogelijk maakten.


Lesgevers: Jim Clauwaert, Jan Verwaeren, Sofie Van Hoecke
Data: 19 en 26 oktober, 9 en 16 november 2021




In deze laatste module gaan we dieper in op meer geavanceerde machine learning technieken.

Sessie 1: Anomaliedetectie

Anomaliedetectie houdt zich bezig met het vinden van data die afwijken van normaal gedrag, en speelt dan ook een grote rol in de industrie, met toepassingen zoals kwaliteitscontrole, machinemonitoring voor voorspellend onderhoud, tot spamdetectie en bewaking. We bespreken en doen hands-on ervaring op met verschillende anomaliedetectietechnieken, zowel unsupervised, semi-supervised, als supervised methodes, en methodes specifiek voor tijdsreeksdata.

Sessie 2: Recommender systems en collaboratieve filtering

Er is een stijgend belang voor aanbevelingssystemen in industriële toepassingen, gedreven door de beschikbaarheid van verschillende soorten gebruikersgegevens. We geven een actueel overzicht van technieken voor aanbevelingssystemen die in een industriële omgeving worden gebruikt. Ook collaboratieve filtering als specifieke case komt aan bod om gebruikersvoorkeuren te voorspellen als lineaire combinatie van andere gebruikers hun voorkeuren.

Sessie 3: Time series prediction

Er zijn ook veel bedrijfstoepassingen van tijdsreeksvoorspelling, zoals het voorspellen van aandelenkoersen, verkoop, of het weer, tot het voorspellen van de nog resterende tijd alvorens een component zal falen. We zullen verschillende modellen voor tijdsreeksvoorspelling zien, zoals Auto Regressive Integrated Moving Average (AR(I)MA) en Recurrente Neurale Netwerken (RNN), en leren wat de voor- en nadelen van elk zijn.

Sessie 4: Inspiratievoorbeelden uit de praktijk

We eindigen deze opleiding door te tonen hoe alle tot dan toe geziene technieken gecombineerd en gebruikt kunnen worden om praktische problemen in verschillende industrieën op te lossen, van medische diagnostiek tot beeldherkenning, predictief onderhoud en smart building management. Elke deelnemer kan vrijblijvend een use case aanleveren en zo advies krijgen hoe aan de slag te gaan met hun eigen bedrijfsproject en -data.


Lesgevers: Jim Clauwaert, Toon De Pessemier, Luc Martens en Sofie Van Hoecke
Data: 23 en 30 november, 7 en 14 december 2021


Praktisch


De deelnameprijs bedraagt 2.500 euro.

Deelnameprijs omvat lesgeld, hand-outs, het handboek ‘An introduction to statistical learning’, frisdranken, koffie en broodjes.

Betaling geschiedt na ontvangst van de factuur. Alle facturen zijn betaalbaar dertig dagen na dagtekening. Alle vermelde bedragen zijn vrij van BTW.

Korting

  • Indien minstens één deelnemer van een bedrijf inschrijft voor de volledige opleiding wordt voor alle bijkomende gelijktijdige inschrijvingen van hetzelfde bedrijf een korting van 20% verleend. Facturatie geschiedt dan d.m.v. een gezamenlijke factuur.
  • Personeelsleden van de UGent genieten bijzondere voorwaarden. mail ons voor meer informatie.

Kortingen zijn niet cumuleerbaar.

Annulering

Raadpleeg onze annulatievoorwaarden op www.ugain.ugent.be/annulatievoorwaarden.

KMO-portefeuille

Universiteit Gent aanvaardt betalingen via de KMO-portefeuille,
gebruik authorisatiecode DV.O103 194.

Meer info vindt u op www.kmo-portefeuille.be

Opleidingsverlof (VOV)

Deze opleiding is erkend in het kader van VOV. Klik hier voor meer info.
Klik hier om alle voorwaarden te raadplegen.


Persoonlijke gegevens

M ♂        V ♀

Naam* verplicht
Voornaam*  
E-mail cursist*  
Facturatie op privé- of bedrijfsadres?*  

Privé-gegevens

Straat en nummer
Postcode
Gemeente
Land*
Telefoon

Bedrijfsgegevens

Onderneming
Functie
Email administratie (indien van toepassing)
BTW-nummer
Straat en nummer
Postcode
Gemeente
Land*
Telefoon

Inschrijving


Ik schrijf me in op de wachtlijst van de cursus Machine learning: van theorie tot praktijk:

  Alle Modules

Info


Ik wens blijvend geïnformeerd te worden over toekomstige opleidingen van het UGAIN.

Op welke manier heeft u kennis genomen van deze opleiding?

Via de UGAIN folder

Via de UGAIN e-mailing

Via een advertentie in (tijdschrift invullen aub):

Anders, met name via (ander infokanaal invullen aub):


Annulatievoorwaarden

Ik heb kennis genomen van de annulatievoorwaarden en ik verklaar mij hiermee akkoord.*





Zodra u op 'verzenden' heeft geklikt én alle verplichte velden zijn ingevuld, ontvangt u altijd een mail ter bevestiging van uw inschrijving.

Indien u deze mail niet heeft ontvangen, gelieve contact op te nemen met de webmaster, steven.deneef@ugent.be


De lessen worden on campus gegeven van 17u30 tot 21u, in 2 delen, gescheiden door een broodjesmaaltijd. Deze vinden plaats aan de Universiteit Gent, UGent Academie voor Ingenieurs, Technologiepark 60, 9052 Zwijnaarde.

Tijdens iedere lesavond wordt er 1,5 uur theorie gegeven en wordt er na de pauze 1,5 uur oefeningen voorzien.

Het examen vindt plaats op 25 januari 2022 om 17u30.

Data onder voorbehoud van wijzigingen om onvoorziene omstandigheden.

Lesmateriaal

Naast de hand-outs ontvangen de deelnemers ook het handboek ‘An introduction to statistical learning’. Dit handboek is inbegrepen in de deelnameprijs.

Laptop

Er wordt gewerkt met eigen laptop. Deze moet krachtig genoeg zijn (minimum 8GB RAM) en deelnemers moeten administratierechten hebben voor het installeren van de nodige programma’s.

Bijkomende inlichtingen

Universiteit Gent
UGent Academie voor Ingenieurs
Secretariaat
Els Van Lierde
Technologiepark 60
9052 Zwijnaarde
Tel.: +32 9 264 55 82
ugain@UGent.be


Deze opleiding kan in de doctoraatsopleiding opgenomen worden, op voorwaarde dat de doctorandus beschikt over een goedgekeurde aanvraag tot erkenning, een 'application for recognition' hier te downloaden.

Wie over een goedgekeurde 'application' beschikt, kan deze opleiding meerekenen als 'specialist course'.
Meer info vindt u op de website van de doctoral schools.



U kunt de folder hier downloaden.