Basis cursus AI

Les 1 • Kunstmatige intelligentie definiëren

Verduidelijkt wat AI is, wat het niet is en hoe definities zijn geëvolueerd. Verankert het hoofdstuk in precieze terminologie die studenten gedurende de hele cursus zullen gebruiken.

Les 2 • Kerntakken van AI

Brengt de belangrijkste deelgebieden in kaart – machine learning, NLP, computer vision en meer. Studenten verwerven een taxonomie om AI-tools die ze op het werk tegenkomen te categoriseren.

Les 3 • Mythen en realistische verwachtingen

Gaat in op hype, angst en overdreven claims rondom AI. Studenten verlaten de cursus met realistische verwachtingen die een goed professioneel oordeel ondersteunen.

Les 1 • De levenscyclus van een model

Volgt een model van dataverzameling tot implementatie en buitenwerkingstelling. Bereidt studenten voor op deelname aan cross-functionele AI-projectdiscussies.

Les 2 • Data als fundament van AI

Laat zien waarom datakwaliteit en -kwantiteit de modelprestaties bepalen. Vestigt datageletterdheid als een voorwaarde voor het begrijpen van elk volgend ML-concept.

Les 3 • Gesuperviseerd leren uitgelegd

Behandelt het trainen van modellen op gelabelde voorbeelden om uitkomsten te voorspellen. Studenten begrijpen classificatie en regressie als de ruggengraat van de meeste zakelijke AI-toepassingen.

Les 4 • Ongesuperviseerd leren en reinforcement learning

Introduceert patroonherkenning zonder labels en beloningsgestuurd leren. Verbreedt het bewustzijn van studenten over AI-benaderingen naast gesuperviseerde methoden.

Les 1 • Transfer learning en voorgetrainde modellen

Laat zien hoe voorgetrainde modellen trainingskosten en datavereisten verlagen. Studenten begrijpen waarom de meeste praktische AI-projecten bestaande modelgewichten hergebruiken.

Les 2 • Neurale netwerken trainen

Legt backpropagation en gradient descent uit in eenvoudige taal. Studenten begrijpen hoe netwerken iteratief verbeteren zonder calculus-expertise.

Les 3 • Recurrente netwerken en sequentiedata

Introduceert RNN's en LSTM's voor het verwerken van tijdreeksen en tekst. Vormt een brug naar onderwerpen over natuurlijke taalverwerking die in het volgende hoofdstuk aan bod komen.

Les 4 • Convolutionele neurale netwerken voor afbeeldingen

Behandelt hoe CNN's via filters en pooling patronen in visuele data detecteren. Linkt direct naar computer vision-toepassingen die studenten in de praktijk zullen tegenkomen.

Les 1 • Transformers en aandachtsmechanismen

Introduceert de transformer-architectuur die ten grondslag ligt aan moderne taalmodellen. Bereidt studenten voor op het conceptueel begrijpen van GPT, BERT en vergelijkbare systemen.

Les 2 • Basisprincipes van tekstvoorbewerking

Behandelt tokenisatie, stemming, stopwoordverwijdering en normalisatie. Deze stappen vormen het startpunt voor elke NLP-pipeline waarmee studenten zullen werken.

Les 3 • Woorden representeren als getallen

Legt bag-of-words, TF-IDF en woordembeddings zoals Word2Vec uit. Studenten begrijpen waarom numerieke representatie essentieel is voor machinebegrip.

Les 4 • Kwaliteit van NLP-modellen evalueren

Leert BLEU, ROUGE en menselijke evaluatiemethoden voor taal taken. Studenten kunnen verkopersclaims en interne modeluitvoeren met het juiste scepticisme beoordelen.

Les 1 • Retrieval-augmented generation

Legt uit hoe externe kennisbanken worden gecombineerd met LLM's om hallucinatie te verminderen. Studenten begrijpen RAG als de standaardbenadering voor nauwkeurige AI in bedrijven.

Les 2 • Generatieve modellen buiten tekst

Behandelt beeldgeneratie via diffusiemodellen en multimodale AI-systemen. Vergroot het bewustzijn van studenten over generatieve AI buiten tekstgebaseerde toepassingen.

Les 3 • Fine-tunen en aanpassen van LLM's

Behandelt instruction tuning, RLHF en parameter-efficiënte fine-tuningmethoden. Studenten begrijpen wanneer en waarom organisaties basismodellen aanpassen voor specifieke domeinen.

Les 4 • Hoe grote taalmodellen werken

Beschrijft pretraining op enorme corpora en next-token prediction op schaal. Studenten krijgen een accuraat mentaal model van wat LLM's wel en niet kunnen.

Les 1 • Kaders voor verantwoorde AI en governance

Overziet industriële en wettelijke kaders voor verantwoorde AI-implementatie. Studenten kunnen de praktijken van hun organisatie vergelijken met gevestigde normen voor verantwoorde AI.

Les 2 • Transparantie en uitlegbaarheid

Behandelt interpreteerbare modellen, SHAP-waarden en uitlegbaarheidstechnieken. Studenten kunnen uitleg eisen en evalueren van AI-leveranciers en interne teams.

Les 3 • Bronnen en soorten AI-bias

Volgt bias van dataverzameling via modeluitvoer naar maatschappelijke impact. Studenten herkennen bias als een systemisch probleem, niet als een geïsoleerde technische fout.

Les 4 • Definities van eerlijkheid en afwegingen

Presenteert concurrerende wiskundige definities van eerlijkheid en hun onverenigbaarheden. Studenten begrijpen dat eerlijkheid expliciete waardekeuzes vereist, niet alleen betere algoritmen.

Les 1 • AI-projectplanning en -afbakening

Behandelt probleemdefiniëring, succesmetrieken en stakeholderafstemming voor AI-projecten. Studenten produceren een projectbrief die cross-functionele teams effectief begeleidt.

Les 2 • MLOps en productie-infrastructuur

Introduceert modelversionering, CI/CD-pipelines en monitoring in productie. Studenten begrijpen de operationele ruggengraat die AI-systemen in de loop van de tijd betrouwbaar houdt.

Les 3 • AI-ROI en bedrijfsimpact meten

Biedt kaders voor het kwantificeren van AI-waarde naast technische metrieken. Studenten kunnen een overtuigende businesscase presenteren aan leidinggevenden en budgetverantwoordelijken.

Les 4 • Verandermanagement voor AI-adoptie

Gaat in op zorgen van medewerkers, trainingsbehoeften en culturele weerstand tegen AI. Studenten passen verandermanagementtactieken toe die adoptie verhogen en wrijving verminderen.

Les 1 • Opkomende AI-trends om in de gaten te houden

Overziet agentische AI, funderingsmodellen, neuromorfe computing en quantum-AI. Studenten ontwikkelen een gewoonte van gestructureerde horizonverkenning om professioneel actueel te blijven.

Les 2 • Een lerende organisatie in stand houden

Verankert continu leren, een experimenteercultuur en kennisdeling in de AI-strategie. Studenten vertrekken met een persoonlijk en organisatorisch plan voor voortdurende AI-gereedheid.

Les 3 • Concurrentiedynamiek en AI-risico

Analyseert first-mover-voordelen, commoditisatierisico's en strategische AI-bedreigingen. Studenten anticiperen op concurrentieverschuivingen en positioneren hun organisaties proactief.

Les 4 • AI-talent en partnermodellen

Behandelt werving, inhuur en ecosysteempartnerschappen voor AI-capaciteit. Studenten ontwerpen een talentstrategie die snelheid, kosten en langetermijnkennisbehoud in balans brengt.