Dedika is een platform waar je leert door te doen: bijvoorbeeld een commerciële offerte opstellen, manicure worden of een nieuwe tool gebruiken. Wat je doel ook is, de beste content over het onderwerp bestaat al. Alleen is die vaak in een andere taal, duur, verspreid over het internet, zonder oefenmateriaal of te lang voor wie een druk leven heeft. Daarom heeft Dedika een eigen methode: wij zoeken het materiaal waar het ook is, organiseren wat relevant is voor jouw doel, laten het nakijken door experts die klaarstaan om je vragen te beantwoorden en maken praktische oefeningen zodat je al doende leert. Jij staat centraal in jouw leertraject en niemand kent jouw behoeften beter dan jijzelf: kies de inhoud en de duur van de cursus, bepaal of je online of offline leert en in welk formaat. Dat kan video, tekst, audio of een samenvatting zijn. Op jouw manier, alleen met wat voor jou werkt. Hier telt elke minuut die je investeert en bereik je sneller wat echt belangrijk is.

Onze cursussen bevatten aan het einde van elk hoofdstuk een samenvatting, die je als PDF kunt downloaden en printen.

Meer dan 2 miljoen studenten wereldwijd

Aanwezig in meer dan 180 landen

Certificaat geldig in jouw land

Startpagina

...

Cursus Automated Machine Learning (AutoML)

Alle cursussen

Techniek, bouw en technologie

Technologie

Cursus Automated Machine Learning (AutoML)

Voor alle niveaus

Cursus Automated Machine Learning (AutoML)

Beheers de volledige AutoML-pipeline — van ruwe data tot geïmplementeerd model — met behulp van toonaangevende frameworks en bewezen automatiseringsstrategieën. Deze cursus geeft je hands-on vaardigheden in hyperparameteroptimalisatie, neural architecture search en verantwoord AI-beheer. Of je nu onderzoek versnelt of ML opschaalt in productie, AutoML geeft je de voorsprong.

Dedika voor bedrijven

Wat je gaat leren:

Bouw end-to-end AutoML-pipelines die datavoorbereiding, feature-engineering en modelimplementatie omvatten.
Configureer en vergelijk Bayesiaanse, grid- en random hyperparameteroptimalisatiestrategieën effectief.
Pas geautomatiseerde featuregeneratie, -selectie en dimensionaliteitsreductie toe om modelprestaties te maximaliseren.
Construeer en beoordeel stacking- en boosting-ensemblemodellen binnen geautomatiseerde machine-learningframeworks.
Implementeer NAS-experimenten om automatisch hoogpresterende deep learning-architecturen te ontdekken.
Richt productieklare monitoring, eerlijkheidsaudits en governance-workflows voor AutoML-systemen in.

Hoe je praktisch studeert Cursus Automated Machine Learning (AutoML)

Hoe je oefent Cursus Automated Machine Learning (AutoML)

Voor bedrijven die hun team willen trainen

Bij Dedika voor bedrijven bevat de cursus oefeningen en voorbeelden die zijn afgestemd op jouw organisatie en precies zoals jouw bedrijf het nodig heeft.

Klik hier

Cursusinhoud

8 Hoofdstukken • 40 LessenDuur tussen 4 en 360 uren (jij beslist)

Hoofdstuk 1Bekijk details

Grondbeginselen van AutoML en Machine Learning

Les 1 • Types AutoML-systemen
Onderscheidt full-pipeline AutoML, neural architecture search en meta-learning-systemen. Helpt studenten om het systeemtype te koppelen aan de probleemvereisten.
Les 2 • Wat AutoML is en waarom het belangrijk is
Definieert AutoML als de automatisering van end-to-end ML-workflows en contrasteert dit met handmatige modelontwikkeling. Motiveert de efficiëntie- en democratiseringsvoordelen.
Les 3 • Kernconcepten van Machine Learning
Behandelt gesuperviseerde, ongesuperviseerde en reinforcement learning-paradigma's die essentieel zijn voor het begrijpen van AutoML-doelen. Stelt de vocabulaire vast die gedurende de cursus wordt gebruikt.
Les 4 • Het opzetten van de AutoML-omgeving
Begeleidt bij de installatie van Python, belangrijke bibliotheken en een lokaal AutoML-framework. Studenten verlaten de cursus met een functionele ontwikkelomgeving die klaar is voor praktische labs.
Les 5 • De AutoML-pipeline-architectuur
Brengt de volledige AutoML-pipeline in kaart, van ruwe data-inname tot geïmplementeerd model. Studenten zien hoe elke geautomatiseerde fase op de volgende aansluit.

Hoofdstuk 2Bekijk details

Datavoorbereiding voor AutoML-pipelines

Les 1 • Begrijpen van datakwaliteitsproblemen
Identificeert ontbrekende waarden, uitschieters, duplicaten en schemainconsistenties als primaire bedreigingen voor datakwaliteit. Verbindt slechte datakwaliteit met verminderde AutoML-prestaties.
Les 2 • Train-, validatie- en testsplitsing
Legt holdout-, k-fold- en gestratificeerde splitsstrategieën uit om datalekkage te voorkomen. Studenten configureren splitsingen die onbevooroordeelde AutoML-evaluaties opleveren.
Les 3 • Omgaan met ontbrekende en onevenwichtige data
Leert imputatiestrategieën en hersamplemethoden om hiaten en klassenonevenwicht aan te pakken. Studenten passen deze technieken toe voordat ze data in AutoML-systemen voeren.
Les 4 • Feature-codering en -schaling
Behandelt one-hot-codering, ordinale codering en normalisatiemethoden die door de meeste AutoML-frameworks worden vereist. Zorgt dat features numeriek compatibel zijn met downstream-algoritmen.
Les 5 • Geautomatiseerde datavoorverwerkingspipelines
Toont aan hoe AutoML-frameworks voorverwerkingsstappen automatiseren en hoe deze aan te passen. Studenten bouwen herbruikbare voorverwerkingspipelines die zijn geïntegreerd met AutoML-tools.

Hoofdstuk 3Bekijk details

Geautomatiseerde feature-engineering

Les 1 • Evalueren van de impact van feature-engineering
Leert feature-importance-scores en ablatiestudies om de waarde van engineering te meten. Studenten kwantificeren de bijdrage van geautomatiseerde features aan de uiteindelijke modelprestaties.
Les 2 • Dimensionaliteitsreductie in AutoML
Legt PCA, auto-encoders en manifold-methoden uit als geautomatiseerde opties voor dimensionaliteitsreductie. Studenten passen reductie toe op hoogdimensionale datasets binnen een AutoML-workflow.
Les 3 • Geautomatiseerde tools voor feature-generatie
Introduceert tools die automatisch nieuwe features genereren uit ruwe kolommen met behulp van aggregaties en transformaties. Studenten voeren geautomatiseerde generatie uit op een gestructureerde dataset.
Les 4 • Principes van feature-engineering
Bespreekt handmatige feature-engineering-concepten als basis voor het begrijpen van automatisering. Stelt vast waarom feature-kwaliteit de modelprestaties meer beïnvloedt dan algoritmekeuzes.
Les 5 • Methoden voor featureselectie
Behandelt filter-, wrapper- en embedded selectiemethoden die in AutoML-pipelines worden gebruikt. Studenten vergelijken selectie-uitkomsten en hun effect op modelnauwkeurigheid.

Hoofdstuk 4Bekijk details

Optimalisatietechnieken voor hyperparameters

Les 1 • Hyperparameters versus modelparameters
Verduidelijkt het onderscheid tussen aangeleerde parameters en door de gebruiker gedefinieerde hyperparameters. Stelt vast waarom de keuze van hyperparameters kritisch is voor modelgeneralisatie.
Les 2 • Grid search en random search
Implementeert exhaustieve grid search en stochastische random search als basis-HPO-methoden. Studenten benchmarken beide benaderingen op een classificatietaak.
Les 3 • Bayesiaanse optimalisatie voor HPO
Legt surrogaatmodel-gebaseerde Bayesiaanse optimalisatie uit als een sample-efficiënte HPO-strategie. Studenten configureren en voeren een Bayesiaanse zoekopdracht uit met een populaire AutoML-bibliotheek.
Les 4 • Multi-fidelity- en early stopping-methoden
Behandelt Hyperband en successieve halvering om computerbudgetten efficiënt toe te wijzen. Studenten verminderen HPO-runtijd zonder de uiteindelijke modelkwaliteit op te offeren.
Les 5 • HPO in de praktijk met AutoML-frameworks
Integreert HPO-strategieën in een volledige AutoML-run en interpreteert optimalisatiegeschiedenisplots. Studenten stemmen een echte dataset end-to-end af en documenteren de resultaten.

Hoofdstuk 5Bekijk details

Modelselectie en ensemblemethoden

Les 1 • Geautomatiseerde algoritmeselectiestrategieën
Legt de gecombineerde algoritmeselectie en hyperparameteroptimalisatie (CASH) uit als het kern-AutoML-zoekprobleem. Studenten voeren CASH uit op een benchmarkdataset.
Les 2 • Grondbeginselen van algoritmeselectie
Bespreekt het algoritmelandschap—lineaire modellen, bomen, SVM's en neurale netwerken—als kandidaten voor geautomatiseerde selectie. Verbindt algoritme-eigenschappen met datasetkenmerken.
Les 3 • AutoML-ensemble naverwerking
Toont geautomatiseerde ensemblesselectie en post-hoc pruning om nauwkeurigheid en complexiteit in evenwicht te brengen. Studenten finaliseren een ensemble en bereiden het voor op implementatie.
Les 4 • Bagging- en boosting-ensembles
Behandelt bagging-variantiereductie en boosting-sequentiële foutcorrectie als ensemble-basisprincipes. Studenten implementeren beide binnen een AutoML-pipeline.
Les 5 • Stacking- en blending-technieken
Leert gestapelde generalisatie en blending als meta-learning-ensemble-strategieën. Studenten bouwen een twee-laags gestapeld model en meten de verbetering ten opzichte van basis-leerders.

Hoofdstuk 6Bekijk details

Neural architecture search

Les 1 • NAS-zoekstrategieën
Vergelijkt reinforcement learning-, evolutionaire en gradient-gebaseerde NAS-zoekstrategieën. Studenten selecteren een geschikte strategie op basis van computerbudget en taaktype.
Les 2 • Efficiënte NAS met proxies en surrogaten
Introduceert prestatievoorspellers en low-fidelity-proxies om NAS-computerkosten te verlagen. Studenten passen proxy-gebaseerde evaluatie toe om architectuurzoekopdrachten te versnellen.
Les 3 • NAS voor tabel- en tijdreeksdata
Breidt NAS uit van vision-taken naar tabel- en sequentiële data-architecturen. Studenten voeren een NAS-experiment uit op een niet-afbeeldingsdataset en analyseren de resultaten.
Les 4 • Evalueren en implementeren van NAS-resultaten
Behandelt architectuurevaluatieprotocollen, hertraining vanaf nul en het exporteren van door NAS ontdekte modellen. Studenten produceren een implementatie-klaar NAS-model.
Les 5 • Deep learning-grondslagen voor NAS
Bespreekt convolutionele, recurrente en transformer-bouwstenen als componenten van de zoekruimte voor NAS. Zorgt dat studenten architectuurbeschrijvingen kunnen interpreteren.

Hoofdstuk 7Bekijk details

AutoML voor gespecialiseerde datatypes

Les 1 • Multi-modale AutoML-pipelines
Combineert tekst-, afbeeldings- en tabelmodaliteiten in een enkele geautomatiseerde pipeline. Studenten ontwerpen een fusiestrategie en evalueren multi-modale modelprestaties.
Les 2 • AutoML voor computer vision
Past NAS en automatisering van transfer learning toe op beeldclassificatie en objectdetectie. Studenten voeren een AutoML-vision-pipeline uit op een gelabelde afbeeldingsdataset.
Les 3 • AutoML voor tijdreeksvoorspellingen
Behandelt geautomatiseerde feature-extractie, modelselectie en horizonafstemming voor tijdreeksdata. Studenten doen een voorspelling voor een echte tijdreeks met behulp van een AutoML-framework.
Les 4 • AutoML voor natuurlijke taalverwerking
Behandelt geautomatiseerde tekstvoorverwerking, embeddingsselectie en fijnafstemming van taalmodellen. Studenten bouwen een AutoML-NLP-pipeline voor classificatie- en sentimenttaken.
Les 5 • AutoML voor graf- en relationele data
Introduceert geautomatiseerd ontwerp van grafneurale netwerken en relationele featuresynthese. Studenten passen AutoML toe op een grafclassificatie- of linkvoorspellingstaak.

Hoofdstuk 8Bekijk details

AutoML-implementatie, -monitoring en -governance

Les 1 • MLOps-integratie voor AutoML
Integreert AutoML-runs in CI/CD-pipelines, experiment-tracking en modelregisters. Studenten automatiseren hertrainingsactivaties en versiebeheer voor AutoML-artefacten.
Les 2 • Eerlijkheid, vooroordeel en uitlegbaarheid
Behandelt geautomatiseerde bias-audits, eerlijkheidsbeperkingen en uitlegbaarheidstools voor AutoML-uitvoer. Studenten genereren eerlijkheidsrapporten en SHAP-uitleg voor een geïmplementeerd model.
Les 3 • Monitoren van modelprestaties in productie
Leert detectie van datadrift, concept drift en prestatievermindering voor geïmplementeerde AutoML-modellen. Studenten configureren monitoringdashboards en alarmdrempels.
Les 4 • Governance, compliance en documentatie
Stelt modelcards, audittrails en nalevingspraktijken vast voor AutoML-systemen. Studenten produceren een governance-klare modelcard en een implementatiechecklist.
Les 5 • Verpakken en serveren van AutoML-modellen
Behandelt modelserialisatieformaten, REST API-serveren en containerisatie voor AutoML-uitvoer. Studenten verpakken een getraind AutoML-model en stellen het bloot als een live endpoint.

Certificering

Jouw geldig certificaat van voltooiing

Deze cursus is voor jou:

Data-analisten die klaar zijn om verder te gaan dan dashboards en aan de slag te gaan met voorspellende modellen.
Software-engineers die nieuwsgierig zijn naar het integreren van machine learning in bestaande applicaties.
Business Intelligence-professionals die het maken van herhaalde modellen willen automatiseren.
Junior data scientists die experimenten willen versnellen en handmatig afstemmen willen verminderen.
Academische onderzoekers die snellere prototypingtools zoeken voor hypothesegestuurde ML-experimenten.
Carrièreswitchers met een achtergrond in statistiek of techniek die het ML-veld betreden.

Wat onze studenten zeggen

Jullie lessen zijn perfect. Ik heb het jaarpakket aangeschaft en heb eindelijk de mogelijkheid om verschillende onderwerpen die mij interesseren te volgen zonder van platform te hoeven wisselen... bedankt voor alles wat jullie doen, ik heb jullie al aan anderen aanbevolen...