Cursus Artificial Intelligence

Les 1 • Geschiedenis en evolutie van AI

Traceert de ontwikkeling van AI van symbolisch redeneren tot moderne neurale netwerken. Plaatst huidige mogelijkheden in de context van decennia aan onderzoeksvoortgang.

Les 2 • AI en haar reikwijdte definiëren

Stelt precieze definities vast van AI, machine learning en deep learning. Verduidelijkt de grenzen tussen deze termen om veelvoorkomende professionele misvattingen te voorkomen.

Les 3 • AI in het professionele landschap

Brengt de adoptie van AI in kaart in sectoren zoals de gezondheidszorg, financiële dienstverlening en productie. Verankert abstracte concepten in reële organisatorische use cases.

Les 1 • Datagovernance en ethiek

Behandelt toestemming, privacyregelgeving en verantwoorde methoden voor dataverzameling. Zorgt ervoor dat professionals data verwerken in overeenstemming met professionele en ethische normen.

Les 2 • Beoordeling van datakwaliteit

Introduceert volledigheid, consistentie, nauwkeurigheid en actualiteit als kwaliteitsdimensies. Stelt professionals in staat datasets te auditeren voordat ze aan modelontwikkeling beginnen.

Les 3 • Datavoorverwerking en -transformatie

Leert normalisatie, codering en feature-engineering als voorbereidende stappen. Maakt direct de schone invoerpijplijnen mogelijk die AI-modellen vereisen.

Les 4 • Datatypen en -bronnen begrijpen

Behandelt gestructureerde, ongestructureerde en semi-gestructureerde dataformaten en hun oorsprong. Verbindt datavariëteit met vereisten voor compatibiliteit van stroomafwaartse modellen.

Les 1 • Modelevaluatie en -validatie

Leert nauwkeurigheid, precisie, recall, AUC en kruisvalidatie als evaluatiehulpmiddelen. Stelt professionals in staat modelprestaties objectief te meten en te communiceren.

Les 2 • Algoritmen voor gesuperviseerd leren

Behandelt regressie, beslissingsbomen en ensemble-methoden met hun geschiktheid voor use cases. Bouwt intuïtie voor algoritmeselectie op basis van datakenmerken.

Les 3 • Technieken voor ongesuperviseerd leren

Introduceert methoden voor clustering, dimensionaliteitsreductie en anomaliedetectie. Breidt de toolkit van professionals uit naar problemen zonder gelabelde trainingsdata.

Les 4 • Modeltraining en -optimalisatie

Legt verliesfuncties, gradiëntafdaling en hyperparameteroptimalisatieworkflows uit. Verbindt theoretische optimalisatieconcepten met praktische trainingsbeslissingen.

Les 1 • Recurrente en sequentiemodellen

Introduceert RNN's, LSTM's en GRU's voor tijdreeksen en sequentiële tekstdata. Overbrugt klassieke sequentiemodellering naar moderne op transformers gebaseerde benaderingen.

Les 2 • Backpropagatie en trainingsdynamiek

Behandelt gradiëntstroom, verdwijnende gradiënten en adaptieve optimizers zoals Adam. Stelt professionals in staat veelvoorkomende fouten bij deep learning-training te diagnosticeren en op te lossen.

Les 3 • Basisprincipes van neurale netwerkarchitectuur

Legt neuronen, lagen, activatiefuncties en de mechanica van voorwaartse propagatie uit. Biedt de structurele woordenschat die nodig is voor alle volgende deep learning-onderwerpen.

Les 4 • Convolutionele neurale netwerken

Leert convolutie, pooling en extractie van feature maps voor beelddata. Stelt professionals in staat CNN's toe te passen op visuele herkennings- en classificatietaken.

Les 1 • Prompt-engineering voor professionals

Leert zero-shot, few-shot en chain-of-thought-prompting voor taakprestaties. Stelt professionals in staat betrouwbare outputs uit LLM's te halen zonder modelhertraining.

Les 2 • Klassieke NLP-taken en -methoden

Behandelt sentimentanalyse, named entity recognition en tekstclassificatie. Verankert professionals in gevestigde NLP-taken voordat generatieve modellen worden geïntroduceerd.

Les 3 • NLP-evaluatie en -implementatie

Behandelt BLEU, ROUGE en menselijke evaluatiemetrics naast serving-infrastructuur. Verbindt meting van modelkwaliteit met beslissingen over productie-implementatie.

Les 4 • Overzicht van grote taalmodellen

Legt pre-training, fine-tuning en emergente mogelijkheden van LLM's op schaal uit. Positioneert LLM's binnen het bredere NLP-landschap dat in eerdere onderdelen is gevestigd.

Les 1 • Schaalbaarheid en kostenoptimalisatie

Behandelt auto-scaling, modelcompressie en cloudkostenbeheer voor AI-systemen. Bereidt professionals voor op het balanceren van prestatie-eisen met operationele budgetten.

Les 2 • Productiemonitoring en driftdetectie

Leert methoden voor datadrift, conceptdrift en monitoring van prestatievermindering. Zorgt ervoor dat geïmplementeerde modellen nauwkeurig blijven naarmate realistische datadistributies verschuiven.

Les 3 • Containerisatie en serving-infrastructuur

Behandelt het containeriseren van modellen met Docker en het orkestreren met Kubernetes. Maakt schaalbare, draagbare modelimplementatie in diverse infrastructuuromgevingen mogelijk.

Les 4 • CI/CD-pijplijnen voor ML

Past principes van continue integratie en levering aan op modeltrainingsworkflows. Automatiseert testen en implementatie om handmatige fouten in productiereleases te verminderen.

Les 1 • Eerlijkheidsmetrics en afwegingen

Legt demografische pariteit, gelijke kansen en kalibratie uit als eerlijkheidscriteria. Stelt professionals in staat eerlijkheidsmetrics te selecteren en te rechtvaardigen voor specifieke use cases.

Les 2 • Bronnen en typen van bias in AI

Categoriseert historische, meet- en aggregatiebias die AI-pijplijnen binnendringt. Bouwt bewustzijn op van hoe bias ontstaat voordat mitigatiestrategieën worden geïntroduceerd.

Les 3 • Technieken voor biasmitigatie

Behandelt debiasing-benaderingen voor, tijdens en na de verwerking. Biedt uitvoerbare methoden om oneerlijke uitkomsten in elke pijplijnfase te verminderen.

Les 4 • Transparantie en uitlegbaarheid

Introduceert SHAP, LIME en modelkaarten als hulpmiddelen voor uitlegbaarheid en documentatie. Stelt professionals in staat AI-beslissingen te communiceren naar niet-technische belanghebbenden.

Les 1 • AI-roadmap en portfolioplanning

Leert prioriteringskaders, identificatie van quick wins en langetermijn-AI-roadmapping. Stelt leiders in staat AI-investeringen te sequencen voor maximale organisatorische impact.

Les 2 • Succes van AI-programma's meten

Stelt KPI's, OKR's en waarde-realiseeringskaders voor AI-initiatieven vast. Sluit de strategische lus door implementatieresultaten te verbinden met bedrijfsdoelstellingen.

Les 3 • De AI-businesscase opbouwen

Behandelt ROI-modellering, risicobeoordeling en afstemming van belanghebbenden voor AI-voorstellen. Vertaalt technisch potentieel naar financiële en strategische taal voor besluitvormers.

Les 4 • Verandermanagement voor AI-adoptie

Past principes van verandermanagement toe op AI-gedreven workflowtransformatie. Vermindert weerstand en versnelt adoptie door gestructureerde communicatie en training.