Cursus AI met Python

Les 1 • Je Python-omgeving instellen

Installeer Python, configureer virtuele omgevingen en kies een IDE die geschikt is voor AI-ontwikkeling. Legt de technische basis waar elk volgend hoofdstuk op voortbouwt.

Les 2 • Control flow en loops

Pas conditionals en iteratie toe om repetitieve AI-data taken te automatiseren. Maakt direct de batchverwerkingspatronen mogelijk die in de hele cursus worden gebruikt.

Les 3 • Debuggen en foutafhandeling

Lees tracebacks, gebruik een debugger en schrijf try/except-blokken om runtime-fouten af te handelen. Betrouwbare foutafhandeling voorkomt stille fouten in AI-workflows.

Les 4 • Kern Python-syntax en datatypes

Behandel variabelen, operatoren, strings, getallen en booleans met AI-relevante voorbeelden. Biedt de vocabulaire voor alle taken voor gegevensmanipulatie die komen gaan.

Les 1 • Werken met strings en tekst

Pas stringmethoden, opmaak en reguliere expressies toe om ruwe tekstdata op te schonen. Tekstvoorverwerking is een fundamentele stap in elke NLP- en LLM-pijplijn.

Les 2 • Bestands I/O en dataserialisatie

Lees en schrijf tekst-, CSV- en JSON-bestanden om AI-data te bewaren en uit te wisselen. Verbindt Python-scripts met echte databronnen die in latere hoofdstukken worden gebruikt.

Les 3 • Dictionaries en sets

Sleutel-waardeparen en unieke verzamelingen opslaan voor snel opzoeken en deduplicatie. Deze structuren vormen de basis van feature-maps en vocabulairetabellen in NLP-taken.

Les 4 • Lijsten en tuples in detail

Manipuleer geordende sequenties met behulp van slicing, comprehensions en ingebouwde methoden. Lijsten zijn de primaire container voor ruwe AI-datasets en modeluitvoer.

Les 1 • Lineaire algebra met NumPy

Voer matrixvermenigvuldiging, decompositie en het oplossen van lineaire stelsels uit. Deze bewerkingen vormen de wiskundige kern van neurale netwerken en dimensionaliteitsreductie.

Les 2 • Indexeren, slicen en hervormen

Selecteer, filter en hervorm array-data met behulp van geavanceerde indexeringstechnieken. Hervormen is vereist voordat data in neurale netwerk lagen wordt ingevoerd.

Les 3 • Statistische aggregaties en willekeurige steekproeven

Bereken beschrijvende statistieken en genereer reproduceerbare willekeurige steekproeven voor AI-experimenten. Reproduceerbare steekproeven zorgen voor een eerlijke modelevaluatie en benchmarking.

Les 4 • Gevectoriseerde bewerkingen en broadcasting

Pas elementgewijze wiskunde en broadcasting-regels toe om trage Python-loops te vermijden. Vectorisatie is de prestatiebasis van alle numerieke AI-berekeningen.

Les 1 • Groeperen, aggregatie en samenvoegen

Vat data samen met groupby en combineer datasets met behulp van merge- en join-operaties. Deze vaardigheden maken feature-engineering vanuit meerdere relationele databronnen mogelijk.

Les 2 • Dataopschoning en transformatie

Behandel ontbrekende waarden, duplicaten en onjuiste types om schone datasets te produceren. Schone data bepaalt direct de kwaliteit van getrainde AI-modellen.

Les 3 • Feature-engineering met Pandas

Maak nieuwe features door middel van binning, codering en het toepassen van aangepaste functies. Bewerkte features hebben vaak de grootste impact op modelnauwkeurigheid.

Les 4 • Filteren, sorteren en opvragen

Pas booleaanse filters, query-strings en sorteerbewerkingen toe om relevante data te isoleren. Nauwkeurige subsetting is essentieel voor het maken van trainings- en validatiesplitsingen.

Les 1 • Matplotlib grondbeginselen

Bouw lijn-, staaf- en spreidingsdiagrammen met behulp van de objectgeoriënteerde API van Matplotlib. Een solide Matplotlib-basis ondersteunt elke hogere visualisatiebibliotheek.

Les 2 • Verkennende data-analyse workflows

Combineer Pandas en visualisatiehulpmiddelen om een nieuwe dataset systematisch te profileren. Gestructureerde EDA vermindert verrassingen tijdens modeltraining en -evaluatie.

Les 3 • Modelprestaties visualiseren

Plot verwarringsmatrices, ROC-curves en leercurves om AI-modellen te evalueren. Prestatievisuals zijn essentieel voor het diagnosticeren van underfitting en overfitting.

Les 1 • Onbegeleid leren en dimensionaliteitsreductie

Cluster data met K-Means en reduceer dimensies met PCA voor verkennende analyse. Onbegeleide methoden onthullen verborgen structuur in ongelabelde AI-datasets.

Les 2 • De Scikit-Learn API en workflow

Begrijp het fit/predict/transform-patroon en bouw een complete ML-pijplijn. De uniforme API maakt het naadloos schakelen tussen modellen en voorverwerkingsstappen mogelijk.

Les 3 • Begeleid leren: classificatie

Train logistische regressie, decision trees en ensemble-classifiers op gelabelde data. Classificatie is de meest voorkomende AI-taak in bedrijfs- en onderzoeksomgevingen.

Les 4 • Begeleid leren: regressie

Voorspel continue doelen met behulp van lineaire, polynomiale en geregulariseerde regressiemodellen. Regressie ligt ten grondslag aan use cases voor forecasting, prijsbepaling en vraagvoorspelling.

Les 1 • Trainingsloops en optimalisatie

Implementeer volledige trainingsloops met verliesfuncties, optimizers en learning rate-schema's. Een goed gestructureerde trainingsloop is de kern van elk deep learning-experiment.

Les 2 • Neurale netwerken bouwen met nn.Module

Definieer aangepaste netwerkarchitecturen met nn.Module, lagen en activeringsfuncties. Modulair netwerkontwerp maakt snelle experimenten met verschillende architecturen mogelijk.

Les 3 • Convolutionele neurale netwerken voor afbeeldingen

Bouw CNN's met convolutionele, pooling en volledig verbonden lagen voor beeldtaken. CNN's zijn de dominante architectuur voor computer vision AI-toepassingen.

Les 4 • Tensoren en Autograd grondbeginselen

Maak en manipuleer PyTorch-tensoren en begrijp automatische differentiatie. Autograd is de motor achter gradientgebaseerd leren in alle deep learning-modellen.

Les 1 • LLM-API's en prompt engineering

Roep LLM-API's aan, structureer prompts en parseer antwoorden voor downstream-taken. Effectief prompten verbetert de uitvoerkwaliteit aanzienlijk zonder enige modeltraining.

Les 2 • Hugging Face Transformers bibliotheek

Laad voorgetrainde modellen en tokenizers van de Hugging Face Hub voor inferentie. De Transformers-bibliotheek biedt toegang tot duizenden kant-en-klare AI-modellen.

Les 3 • Retrieval-augmented generation

Combineer vector search met LLM-generatie om antwoorden te baseren op externe documenten. RAG vermindert hallucinatie en stelt LLM's in staat domeinspecifieke vragen te beantwoorden.

Les 4 • LLM's finetunen op aangepaste data

Bereid datasets voor en voer parameter-efficiënte finetuning uit om modellen aan te passen aan nieuwe domeinen. Finetuning levert een hogere nauwkeurigheid op dan alleen prompten voor gespecialiseerde taken.