AI Engineering Cursus

Les 1 • AI-landschap en kernterminologie

Definieert AI, ML en deep learning en brengt hun relaties in kaart. Stelt een gedeelde woordenschat vast die in de hele cursus wordt gebruikt.

Les 2 • De AI-ontwikkelingslevenscyclus

Schetst het end-to-end-proces van probleemframing tot implementatie. Zet de verwachtingen voor de engineeringworkflow die in latere hoofdstukken wordt behandeld.

Les 3 • Datafundamentals voor AI

Legt datatypes, verzamelstrategieën en kwaliteitsbeoordeling uit. Verbindt de realiteit van ruwe data met modelprestatieresultaten.

Les 1 • Datavisualisatie voor AI-workflows

Behandelt plotbibliotheken en visualisatiebest practices voor het communiceren van modelinzichten. Visualisatievaardigheden ondersteunen evaluatie en rapportage aan belanghebbenden.

Les 2 • Cloud- en compute-omgevingen

Legt cloudplatforms, GPU-toegang en notebookomgevingen uit die worden gebruikt in productie-AI-werk. Bereidt studenten voor om grootschalige trainingstaken efficiënt uit te voeren.

Les 3 • Python-essentials voor AI

Behandelt Python-syntaxis, datastructuren en functionele patronen die relevant zijn voor AI-workflows. Zorgt ervoor dat alle studenten een gemeenschappelijke codeerbasis delen.

Les 4 • Numeriek rekenen met NumPy en Pandas

Leert arrayoperaties, dataframe-manipulatie en gevectoriseerde berekeningen. Deze vaardigheden ondersteunen elke datavoorverwerkingsstap in de cursus.

Les 1 • Hyperparameterafstemming en optimalisatie

Leert grid search, random search en Bayesiaanse optimalisatie voor modelafstemming. Verbindt algoritmisch begrip met praktische prestatieverbetering.

Les 2 • Feature-engineering en -selectie

Legt uit hoe je features maakt, transformeert en selecteert om de modelprestaties te maximaliseren. Heeft directe invloed op modelnauwkeurigheid en generalisatie die in evaluatiesecties worden behandeld.

Les 3 • Gesuperviseerde leeralgoritmen

Behandelt regressie, decision trees, SVM's en ensemble-methoden met implementatiefocus. Bouwt de algoritmische toolkit die in de meeste productie-ML-systemen wordt gebruikt.

Les 4 • Ongesuperviseerde leertechnieken

Leert clustering, dimensionaliteitsreductie en anomaliedetectie-algoritmen. Vergroot het vermogen van de student om structuur uit ongelabelde data te halen.

Les 1 • Grondslagen van neurale netwerken

Legt perceptrons, activatiefuncties, forward propagation en backpropagation uit. Stelt de theoretische kern vast waar alle deep learning-architecturen op voortbouwen.

Les 2 • Transformer-architectuur diepgaand

Legt self-attention, multi-head attention en positionele codering in transformers uit. Bereidt studenten voor op large language model-engineering in latere hoofdstukken.

Les 3 • Recurrente en sequentiemodellen

Behandelt RNN's, LSTM's en GRU's voor sequentiële datamodellering. Biedt de sequentiemodelleringsachtergrond die nodig is voordat je transformers bestudeert.

Les 4 • Diepe netwerken effectief trainen

Behandelt optimizers, leerratenschema's, batch normalisatie en dropout. Gaat in op de praktische uitdagingen van het trainen van stabiele, hoogpresterende netwerken.

Les 1 • LLM-architectuur en pretraining

Legt tokenisatie, pretrainingdoelstellingen en de schaalfactoren uit die moderne LLM's definiëren. Grondvest studenten in hoe LLM's algemene taalvaardigheden verwerven.

Les 2 • Prompt engineering en in-context learning

Leert zero-shot, few-shot, chain-of-thought en gestructureerde promptingstrategieën. Biedt onmiddellijke praktische hefboom over LLM-gedrag zonder modelhertraining.

Les 3 • Retrieval-augmented generation

Legt RAG-pipelines uit die vector search combineren met LLM-generatie voor gefundeerde antwoorden. Gaat in op hallucinatie- en kenniscurrencysbeperkingen van basis-LLM's.

Les 4 • Generatieve AI-systemen evalueren

Behandelt geautomatiseerde metrieken, menselijke evaluatieframeworks en red-teaming voor LLM-kwaliteit. Verbindt modelbeoordeling met implementatiegereedheidsbeslissingen.

Les 1 • Datapipelines en feature stores

Behandelt batch- en streaming-datapipelines, feature stores en datacontracten. Zorgt voor consistente, hoogwaardige feature-levering aan modellen in productie.

Les 2 • AI-systeemontwerpprincipes

Introduceert afwegingen in betrouwbaarheid, schaalbaarheid, latentie en onderhoudbaarheid bij AI-systeemontwerp. Kadert technische beslissingen die terugkomen in productie-AI-werk.

Les 3 • Modelserving en inferentie-optimalisatie

Leert REST- en gRPC-servingpatronen, batching, kwantisatie en hardwareversnelling. Heeft directe invloed op de kosten en responsiviteit van geïmplementeerde AI-diensten.

Les 4 • Systeembetrouwbaarheid en fouttolerantie

Behandelt circuit breakers, fallbackstrategieën, graceful degradation en SLA-beheer. Zorgt ervoor dat AI-systemen robuust blijven onder realistische foutomstandigheden.

Les 1 • CI/CD-pipelines voor machine learning

Behandelt geautomatiseerd testen, modelvalidatiegates en continue trainingspipelines. Maakt snelle, veilige iteratie op modellen in productieomgevingen mogelijk.

Les 2 • MLOps-principes en volwassenheidsniveaus

Definieert MLOps, het volwassenheidsmodel en de kloof tussen onderzoek en productie-AI. Stelt de operationele mindset vast die vereist is voor de rest van het hoofdstuk.

Les 3 • Schaling en kostenoptimalisatie in MLOps

Behandelt auto-scaling, spot compute, modelcaching en infrastructuurkostenbeheersing. Balanseert prestatie-eisen tegen operationele budgetbeperkingen.

Les 4 • Modelregister en governance

Legt modelversiebeheer, metadatabeheer, herkomstregistratie en goedkeuringsworkflows uit. Biedt het audittrail dat vereist is voor gereguleerde en enterprise-AI-implementaties.

Les 1 • Veilige en privacybehoudende AI

Behandelt adversarial robustness, dataminimalisatie, differentiële privacy en federated learning. Gaat in op beveiligings- en privacyvereisten voor enterprise-AI-implementaties.

Les 2 • AI-governance en regelgevingsalignering

Legt risicogebaseerde AI-governanceframeworks, verantwoordingsstructuren en nalevingsprocessen uit. Bereidt studenten voor om te opereren binnen opkomende AI-regelgevingsomgevingen.

Les 3 • AI-risico- en schadetaxonomie

Categoriseert AI-schaden waaronder bias, privacyschendingen, desinformatie en veiligheidsfalen. Biedt een gedeelde risicowoordenschat voor al het volgende verantwoorde AI-werk.

Les 4 • Uitlegbaarheid en interpreteerbaarheid

Leert SHAP, LIME, aandachtsvisualisatie en modelkaarten voor transparante AI. Ondersteunt vertrouwen van belanghebbenden en wettelijke uitlegbaarheidsvereisten.