Introductie

In deze intensieve workshop leer je hoe je zelf deep learning-modellen ontwikkelt, traint en toepast op verschillende soorten data. Je krijgt inzicht in de werking van neurale netwerken, leert hoe je met TensorFlow en PyTorch een model van de grond af opbouwt, en past geavanceerde architecturen toe zoals CNN’s voor beeldherkenning en RNN’s of LSTM’s voor tijdreeksen of tekst.

Je ontdekt welke hyperparameters impact hebben op prestaties, hoe je overfitting voorkomt met regularisatie- en dropouttechnieken, en hoe je gebruik maakt van pretrained modellen en transfer learning om sneller waarde te creëren met minder data. Ook bespreken we de rol van loss functies, activatiefuncties en optimalisatie-algoritmen zoals Adam, SGD en RMSprop.

Deze training is gericht op professionals die deep learning niet alleen willen begrijpen, maar ook in hun eigen dataworkflows willen toepassen — met een sterke focus op hands-on ervaring en best practices.

Leerdoelen

• De opbouw en werking van feedforward neural networks begrijpen (layers, weights, activaties, backpropagation)

• Zelf een dense netwerk bouwen en trainen met TensorFlow (Keras) of PyTorch

• Deep learning-modellen toepassen op gestructureerde data, tekst en afbeeldingen

• Convolutional Neural Networks (CNN’s) gebruiken voor image classification, object detection of feature-extractie

• Recurrent Neural Networks (RNN’s) en LSTM’s inzetten voor sequentiële data zoals tijdreeksen of natuurlijke taal

• Hyperparameter tuning toepassen: learning rate, batch size, epochs, activatiefuncties, etc.

• Loss functions en evaluatiemetrics selecteren voor classificatie- en regressietaken

• Gebruik van pretrained modellen en toepassen van transfer learning (zoals ResNet, BERT, EfficientNet)

• Werken met callbacks, model checkpointing en early stopping

• Introductie tot model interpretatie en visualisatie van activaties

Aanpak en werkvormen

De training bestaat uit korte theoretische blokken, afgewisseld met uitgebreide hands-on opdrachten. Je werkt in Python met Jupyter Notebooks, en kiest zelf of je werkt met TensorFlow (Keras) of PyTorch, afhankelijk van je voorkeur of ervaring.

We gebruiken realistische datasets (bijv. MNIST, Fashion-MNIST, tijdreeksen, NLP-datasets, classificatietabellen) en trainen lokaal of in de cloud met GPU-ondersteuning (bijv. via Google Colab of je eigen omgeving).

Je leert onder andere:

• Architecturen opzetten en aanpassen

• Debuggen van modelprestaties

• Training en evaluatie monitoren met TensorBoard of vergelijkbare tools

• Datasets voorbereiden en augmenteren

Bij voorkeur stemmen we de training af op jouw domein of projectcontext — denk aan toepassingen in finance, zorg, industrie of media.

Voor wie

Deze training is bedoeld voor AI-engineers, ML-specialisten, data scientists en developers die deep learning willen toepassen op eigen data en zelf modellen willen kunnen bouwen, aanpassen en verbeteren.

Een goede beheersing van Python en basiskennis van machine learning wordt sterk aanbevolen.

Geïnteresseerd in deze training?

Neem gerust contact met ons op. We helpen je graag met een training op maat die aansluit op het niveau en de doelstellingen van jouw team of organisatie.