Artificial intelligence - Fundamentals

AI Fundamentals zijn essentieel voor zowel IT-professionals, data analisten maar ook project ingenieurs. AI fungeert - binnen deze kennisprofielen - als een onmisbare smart digital assistent die deuren opent naar innovatie, een hoger probleem oplossend vermogen mogelijk maakt en toekomstige mogelijkheden in de snel evoluerende wereld van data-gedreven organisaties ondersteunt. Ontgrendel in deze opleiding de mogelijkheden van AI!

• Data analisten
• IT-professionals
• Project of process ingenieurs

• Basiskennis programmatielogica
• Basiskennis Python of kennis gelijkwaardig aan de opleiding "Leren programmeren in Python"

• De verhouding tussen theorie en praktijk is 60%-40%.
• Voor de hands-on labs moeten de deelnemer een laptop mee brengen!
• Volgende software moeten vóór de start van de opleiding reeds op laptop geïnstalleerd te staan:
  • Python: minimaal versie 3.11,
  • Python IDE - vb Pycharm

• Het bredere begrippenkader:
  • AI
  • Machine learning
  • Neurale netwerken,
  • Data preprocessing
  • Training van machine learning modellen en evaluatie
  • Overfitting en regularisatie
  • Unsupervised Learning
  • Feature Selection en Dimensionality Reduction
  • Introductie Deep Learning
  • Ethiek en Verantwoordelijkheid

• AI
  • Expertsystemen,
  • Logica,
  • Evolutie,

• Machine learning
  • De basisprincipes van machine learning
  • Het verschil tussen supervised, unsupervised en reinforcement learning

• Neurale Netwerken
  • Begrip van neurale netwerken,
  • Hun architectuur en werking, inclusief perceptrons
  • Feedforward-netwerken en backprogation,

• Data Preprocessing
  • Technieken voor het verzamelen
  • Reinigen en voorbereiden van gegevens voor machine learning-modellen (inclusief feature engineering en normalisatie)

• Model Training en Evaluatie
  • Het trainen van machine learning-modellen met behulp van verschillende algoritmen
  • Evaluatiecriteria zoals nauwkeurigheid, precisie, recall en F1-score

• Overfitting en Regularisatie
  • Begrip van overfitting
  • Methoden voor het voorkomen ervan
  • Het belang van reguliere termen in het trainingsproces

• Unsupervised Learning
  • Begrip van clustering
  • Technieken zoals K-means, DBSCAN en Gaussian mixtures.

• Feature Selection en Dimensionality Reduction
  • Technieken voor het selecteren van features,
  • Het verminderen van de dimensionaliteit van gegevens,
  • Principal components analysis (PCA).

• Introductie Deep Learning
  • Keras,
  • Hyperparameter tuning.

• Ethiek en verantwoordelijkheid

De ethische overwegingen bij het ontwikkelen en implementeren van AI-systemen, evenals het begrip van bias, fairness en de verantwoordelijke inzet van AI in de samenleving.