AI Engineer Cursus

Les 1 • Python voor AI-ontwikkeling

Legt de basis voor Python-vaardigheden, gericht op AI-workflows met NumPy, Pandas en Matplotlib. Biedt de codeerbasis die nodig is voor alle volgende hoofdstukken.

Les 2 • Gegevensfundamenten voor AI

Legt gegevenstypen, structuren en kwaliteitseisen uit die de modelprestatie sturen. Bereidt engineers voor om datasets te evalueren voordat het modelleren begint.

Les 3 • AI-landschap en kernterminologie

Definieert AI, ML en deep learning met precieze onderscheidingen. Stelt een gedeelde woordenschat vast die gedurende de hele cursus wordt gebruikt.

Les 1 • Ensemble- en Boostingmethoden

Legt bagging, random forests, gradient boosting en XGBoost uit voor verbeterde voorspellende kracht. Bouwt voort op kennis van enkele algoritmen om de voordelen van ensembles te tonen.

Les 2 • Ongesuperviseerde Leertechnieken

Leert clustering, dimensionaliteitsreductie en anomaliedetectie voor ongelabelde gegevens. Breidt de toolkit van de engineer uit naast gesuperviseerde paradigma's.

Les 3 • Feature-engineering en -selectie

Behandelt codering, schaling, interactiefeatures en selectiemethoden die de modelnauwkeurigheid direct verbeteren. Overbrugt de voorbereiding van ruwe gegevens naar de invoervereisten van algoritmen.

Les 4 • Modelevaluatie en -selectie

Definieert metrieken, kruisvalidatie en de bias-variantieafweging voor rigoureuze modelbeoordeling. Zorgt dat engineers modelkeuzes kunnen rechtvaardigen met kwantitatief bewijs.

Les 1 • Recurrente en Sequentiële Modellen

Legt RNN's, LSTM's en GRU's uit voor het modelleren van sequentiële gegevens en tijdreeksen. Bereidt engineers voor op temporele patronen voordat transformatorarchitecturen worden geïntroduceerd.

Les 2 • Basisprincipes van Neurale Netwerken

Legt perceptrons, activatiefuncties, forward propagation en backpropagation wiskundig uit. Onderbouwt deep learning in de eerder vastgestelde ML-fundamenten.

Les 3 • Convolutionele Neurale Netwerken

Leert CNN-architectuur, pooling en transfer learning voor taken met beeld- en ruimtelijke gegevens. Breidt kennis van neurale netwerken uit naar computervisietoepassingen.

Les 4 • Diepe Netwerken Effectief Trainen

Behandelt optimizers, leersnelheidsschema's, regularisatie en batchnormalisatie voor stabiele training. Adresseert veelvoorkomende faalwijzen die engineers in de praktijk tegenkomen.

Les 1 • Engineering van Grote Taalmodellen

Behandelt LLM-API's, prompt engineering, contextvensters en uitvoerparsing voor productiegebruik. Rust engineers uit om LLM's betrouwbaar te integreren in echte toepassingen.

Les 2 • Klassieke NLP-technieken

Behandelt tokenisatie, stemming, TF-IDF en woordembeddings als NLP-bouwstenen. Stelt de basis vast voordat transformatorgebaseerde methoden worden geïntroduceerd.

Les 3 • Diepgaande Analyse van de Transformatorarchitectuur

Legt self-attention, multi-head attention, positionele codering en encoder-decoderontwerp uit. Biedt het architecturale begrip dat nodig is om met moderne LLM's te werken.

Les 4 • Retrieval-Augmented Generation-systemen

Bouwt RAG-pipelines die vectorsearch combineren met LLM-generatie voor kennisgebaseerde antwoorden. Breidt LLM-gebruik uit naar enterprise document- en kennisbankscenario's.

Les 1 • Ontwerpprincipes voor AI-systemen

Introduceert ontwerppatronen, afwegingen en systeemdenken specifiek voor AI-workloads. Plaatst architectuurbeslissingen binnen de beperkingen van productieomgevingen.

Les 2 • Schaalbaarheid en Infrastructuur voor AI

Behandelt containerisatie, orchestratie en cloudinfrastructuurpatronen voor AI-workloads op schaal. Bereidt engineers voor op het implementeren van systemen die meegroeien met de vraag.

Les 3 • Gegevenspijplijnen en Feature Stores

Behandelt ETL-ontwerp, streaminginname en feature store-architectuur voor consistente featurelevering. Zorgt dat trainings- en serveringfeatures gesynchroniseerd blijven.

Les 4 • Ontwerpen voor Betrouwbaarheid en Waarneembaarheid

Leert circuit breakers, fallbackstrategieën, logging en alerting voor veerkracht van AI-services. Zorgt dat engineers de systeemgezondheid in productie kunnen behouden.

Les 1 • CI/CD voor Machine Learning

Past continue integratie en levering toe op ML-code, gegevens en modelartefacten. Overbrugt software-engineeringdiscipline met ML-ontwikkelworkflows.

Les 2 • Modelmonitoring en Driftdetectie

Implementeert datadrift, conceptdrift en prestatiemonitoring om modelverslechtering te detecteren. Maakt proactief onderhoud mogelijk voordat modelfouten gebruikers beïnvloeden.

Les 3 • ML-pipelines en Workfloworchestratie

Ontwerpt geautomatiseerde ML-pipelines met orchestratietools voor training, validatie en implementatie. Vermindert handmatige interventie en versnelt iteratiecycli.

Les 4 • Experimenttracking en Reproduceerbaarheid

Behandelt experimentlogging, artefactversiebeheer en omgevingsbeheer voor reproduceerbaar ML. Legt de basis voor gedisciplineerde modelontwikkeling.

Les 1 • Kaders voor Verantwoord AI-bestuur

Past principes van verantwoorde AI, impactbeoordelingen en beleidsafstemming toe op engineeringbeslissingen. Koppelt technische maatregelen aan organisatorische verantwoordingsstructuren.

Les 2 • Bias, Fairness en Gelijkheid in AI

Identificeert bronnen van algoritmische bias en past fairness-metrieken toe om onevenredige impact te detecteren en te beperken. Verankert ethische redenering in meetbare engineeringacties.

Les 3 • AI-veiligheid en Risicobeheer

Leert dreigingsmodellering, adversariële robuustheid en faalwijzeanalyse voor AI-systemen. Bereidt engineers voor op het anticiperen op en beperken van schadelijk AI-gedrag.

Les 4 • Privacybehoudende AI-technieken

Behandelt differentiële privacy, federatief leren en gegevensanonimisering voor privacyveilige AI. Adresseert gegevensbeschermingseisen zonder modelbruikbaarheid op te offeren.

Les 1 • Projectreview en Presentatie

Presenteert het end-to-end systeem met architectuurdiagrammen, resultaten en geleerde lessen. Ontwikkelt communicatievaardigheden die nodig zijn om AI-projecten te presenteren aan technisch publiek.

Les 2 • Probleemafbakening en -afbakening

Vertaalt een bedrijfsprobleem naar een goed gedefinieerde AI-taak met succescriteria en beperkingen. Past systeemontwerpdenken uit eerdere hoofdstukken toe op een realistisch scenario.

Les 3 • Gegevensverwerving en -voorbereiding

Voert gegevensverzameling, opschoning en feature-engineering uit voor de capstone-dataset. Past alle gegevensvaardigheden uit eerdere hoofdstukken toe in een geïntegreerde workflow.

Les 4 • Modelontwikkeling en Experimentatie

Voert bijgehouden experimenten uit, selecteert het beste model en documenteert beslissingen met motivatie. Toont gedisciplineerde ML-ontwikkeling met MLOps-praktijken.