Cursus ML Engineering
Beheers de volledige stack van machine learning-engineering, van datapijplijnen en modeltraining tot productie-implementatie en MLOps. Deze cursus geeft je de technische diepgang en hands-on vaardigheden die top-engineeringteams daadwerkelijk eisen. Bouw systemen die schalen, zichzelf monitoren en echte bedrijfswaarde leveren.
Wat je gaat leren:
Je krijgt een grondig begrip van hoe professionele ML-systemen op schaal worden ontworpen, gebouwd en onderhouden. De cursus behandelt data-engineering, feature stores, kern-ML-algoritmen en deep learning-frameworks. Je leert modellen te implementeren met REST- en gRPC-API's, pipelines te containeriseren met Docker en Kubernetes, en workflows te orchestreren met tools zoals Airflow en Kubeflow. MLOps-praktijken, waaronder monitoring, driftdetectie en CI/CD-pipelines, worden diepgaand behandeld. Geavanceerde onderwerpen omvatten gedistribueerd trainen, real-time streaming-inference, aanbevelingssystemen, NLP-engineering en verantwoorde AI.
Hoe je praktisch studeert Cursus ML Engineering
Hoe je oefent Cursus ML Engineering
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.
Cursusinhoud
8 Hoofdstukken • 39 LessenDuur tussen 4 en 360 uren (jij beslist)
Hoofdstuk 1VerbergenVerberg detailsBekijk detailsGrondslagen van Machine Learning-engineering
Grondslagen van Machine Learning-engineering
Les 1 • Python voor ML-engineering
Behandelt Python-idiomen, numeriek rekenen en bibliotheken voor gegevensmanipulatie die in de hele cursus worden gebruikt. Benadrukt vanaf dag één codekwaliteit en reproduceerbaarheid.
Les 2 • Ontwikkelomgeving instellen
Configureert reproduceerbare lokale en cloudomgevingen voor ML-werk. Introduceert versiebeheer en afhankelijkheidsbeheer als professionele standaarden.
Les 3 • Wiskundige basisbeginselen voor ML
Evalueert lineaire algebra, calculus, kansrekening en statistiek op de diepgang die nodig is voor modelbegrip. Koppelt wiskundige concepten direct aan algoritmegedrag.
Les 4 • Het ML-engineeringlandschap
Definieert de reikwijdte van ML-engineering en contrasteert het met data science en MLOps. Stelt het end-to-endsysteemoverzicht vast dat elk volgend hoofdstuk kadert.
Hoofdstuk 2VerbergenVerberg detailsBekijk detailsData-engineering voor ML-pipelines
Data-engineering voor ML-pipelines
Les 1 • Data-opschonen en -transformeren
Past systematische technieken toe om ontbrekende waarden, uitschieters en inconsistente formaten te verwerken. Bouwt transformatielogica die testbaar en herbruikbaar is.
Les 2 • Datakwaliteit en -validatie
Implementeert geautomatiseerde datakwaliteitscontroles en schemavalidatie binnen pipelines. Introduceert datacontracten als betrouwbaarheidsmechanisme voor productiesystemen.
Les 3 • Databronnen en innamepatronen
Onderzoekt gestructureerde, semi-gestructureerde en ongestructureerde databronnen en inname strategieën. Koppelt databeschikbaarheid aan stroomafwaartse modelkwaliteit.
Les 4 • Grondbeginselen van feature-engineering
Construeert informatieve features uit ruwe data met behulp van domeinkennis en statistische methoden. Toont aan hoe featurekwaliteit direct de modelprestaties beïnvloedt.
Les 5 • Gegevensopslag en -terughalen
Vergelijkt relationele databases, kolomgeoriënteerde opslag en objectopslag voor ML-gebruiksscenario's. Behandelt query-optimalisatie en datapartitionering voor grote datasets.
Hoofdstuk 3VerbergenVerberg detailsBekijk detailsKernalgoritmen voor machine learning
Kernalgoritmen voor machine learning
Les 1 • Methoden voor niet-gesuperviseerd leren
Past clustering, dimensionaliteitsreductie en dichtheidsschatting toe op ongelabelde data. Koppelt niet-gesuperviseerde outputs aan stroomafwaartse gesuperviseerde taken.
Les 2 • Modelevaluatie en -selectie
Stelt rigoureuze evaluatieprotocollen vast met behulp van kruisvalidatie, holdout-sets en metriekselectie. Voorkomt datalekkage en overfitting door correcte experimentele opzet.
Les 3 • Support vector machines en kernels
Leidt de maximum-marge-classifier af en introduceert kernelmethoden voor niet-lineaire grenzen. Koppelt SVM-meetkunde aan praktische hyperparameterkeuzes.
Les 4 • Grondbeginselen van gesuperviseerd leren
Behandelt lineaire en logistische regressie als fundamentele gesuperviseerde modellen met volledige wiskundige afleiding. Stelt de bias-variantie-afweging vast als een centraal ontwerpconcept.
Les 5 • Boombewuste en ensemble-methoden
Bouwt beslissingsbomen vanuit de eerste beginselen en breidt vervolgens uit naar bagging- en boosting-ensembles. Legt uit waarom gradient boosting de boventoon voert in tabulaire ML-benchmarks.
Hoofdstuk 4VerbergenVerberg detailsBekijk detailsDeep learning-engineering
Deep learning-engineering
Les 1 • Debuggen en profileren van neurale netwerken
Biedt systematische strategieën voor het diagnosticeren van onderfitting, overfitting en trainingsinstabiliteit. Introduceert profilingtools om reken- en geheugenknelpunten te identificeren.
Les 2 • Grondbeginselen van neurale netwerken
Leidt voorwaartse en achterwaartse propagatie af uit calculus en implementeert vervolgens een netwerk vanaf nul. Grondt frameworkgebruik in een solide theoretisch begrip.
Les 3 • Sequentiële modellen en Transformers
Gaat van RNN's en LSTM's naar de Transformer-architectuur en self-attention. Bereidt studenten voor op NLP- en tijdreeks-toepassingen in latere hoofdstukken.
Les 4 • Convolutionele neurale netwerken
Bouwt CNN's voor beeldclassificatie en objectdetectie met behulp van moderne architecturen. Demonstreert transfer learning om data- en rekenvereisten te verminderen.
Les 5 • Diepe netwerken effectief trainen
Behandelt optimizers, leerraten-schema's en regularisatietechnieken die de training van diepe netwerken stabiliseren. Geeft aandacht aan verdwijnende en exploderende gradiëntproblemen.
Hoofdstuk 5VerbergenVerberg detailsBekijk detailsML-pijplijnontwerp en -orkestratie
ML-pijplijnontwerp en -orkestratie
Les 1 • Principies van pijplijnarchitectuur
Introduceert DAG-gebaseerd pijplijnontwerp, componentenisolatie en artefactbeheer. Stelt reproduceerbaarheid en modulariteit vast als ononderhandelbare technische normen.
Les 2 • Tools voor workfloworkestratie
Vergelijkt en implementeert pijplijnen met behulp van toonaangevende orkestratieframeworks. Behandelt planning, afhankelijkheidsresolutie en patronen voor foutherstel.
Les 3 • Experimenttracking en reproduceerbaarheid
Implementeert systematische experimenttracking om runs te vergelijken, hyperparameters te beheren en artefacten te loggen. Koppelt reproduceerbaarheidspraktijken aan wettelijke en auditvereisten.
Les 4 • Feature stores en herbruikbaarheid
Ontwerpt feature stores om featureberekening te ontkoppelen van modeltraining en -servering. Gaat in op online versus offline featureconsistentie als een productie-uitdaging.
Les 5 • Containerisatie voor ML-pijplijnen
Verpakt ML-pijplijncomponenten in Docker-containers voor omgevingsconsistentie. Introduceert basisbeginselen van Kubernetes voor het schalen van pijplijnworkloads.
Hoofdstuk 6VerbergenVerberg detailsBekijk detailsModelimplementatie en -servering
Modelimplementatie en -servering
Les 1 • Edge- en ingebedde implementatie
Implementeert geoptimaliseerde modellen op edge-apparaten en mobiele platforms met beperkte rekenkracht. Behandelt modelconversiepijplijnen en on-device inferentieframeworks.
Les 2 • REST- en gRPC-API’s bouwen
Implementeert productieklare model-API’s met behulp van FastAPI en gRPC met correcte serialisatie en foutafhandeling. Behandelt API-versiebeheer en achterwaartse compatibiliteit.
Les 3 • Serveringsarchitectuurpatronen
Vergelijkt online-, batch- en streaming-inferentiearchitecturen en hun latentie-doorvoerafwegingen. Begeleidt architectuurselectie op basis van bedrijfsvereisten.
Les 4 • Modeloptimalisatie voor inferentie
Past kwantisering, pruning en distillatie toe om modelgrootte en latentie te verminderen zonder significant prestatieverlies. Richt zich op zowel CPU- als GPU-inferentiescenario’s.
Les 5 • Schaalbare serveringsinfrastructuur
Configureert autoscaling, load balancing en caching voor model-eindpunten met veel verkeer. Introduceert serverloze inferentie als een kostenefficiënt alternatief.
Hoofdstuk 7VerbergenVerberg detailsBekijk detailsMLOps: Monitoring en continue levering
MLOps: Monitoring en continue levering
Les 1 • CI/CD voor machine learning
Breidt software CI/CD-praktijken uit naar ML met modelvalidatiepoorten en geautomatiseerde implementatiepijplijnen. Behandelt teststrategieën specifiek voor ML-componenten.
Les 2 • Modelbeheer en audittrails
Stelt modelkaarten, herkomsttracking en goedkeuringsworkflows vast om te voldoen aan governance-vereisten. Bereidt studenten voor op implementatiecontexten in gereguleerde industrieën.
Les 3 • Logging, tracing en observeerbaarheid
Implementeert gestructureerde logging, gedistribueerde tracing en dashboards voor volledige observeerbaarheid van ML-systemen. Koppelt observeerbaarheidsgegevens aan workflows voor hoofdoorzaakanalyse.
Les 4 • Grondbeginselen van productiemonitoring
Stelt monitoring in voor modelprestaties, datadrift en systeemgezondheid in productie. Onderscheidt ML-specifieke monitoring van standaard software-observeerbaarheid.
Les 5 • Driftdetectie en hertriggers
Implementeert statistische tests en distributiemetrieken om input- en outputdrift te detecteren. Ontwerpt geautomatiseerde hertriggers op basis van drift-ernst en bedrijfsimpact.
Hoofdstuk 8VerbergenVerberg detailsBekijk detailsGeavanceerd ML-systeemontwerp
Geavanceerd ML-systeemontwerp
Les 1 • Kostenoptimalisatie en resourcebeheer
Past profilering, spot-instances en mixed-precision training toe om ML-infrastructuurkosten te verlagen. Introduceert FinOps-principes aangepast voor ML-workloads.
Les 2 • Real-time ML met streaming data
Integreert ML-inferentie in streaming datapijplijnen voor subseconden besluitvorming. Behandelt stateful featureberekening en exactly-once-verwerkingsgaranties.
Les 3 • Schaalbare trainingsinfrastructuur
Ontwerpt gedistribueerde trainingssystemen met behulp van dataparallellisme- en modelparallellismestrategieën. Gaat in op communicatieoverhead en fouttolerantie bij grootschalige training.
Les 4 • Multi-model- en ensemblesystemen
Ontwerpt systemen die meerdere modellen coördineren via routerings-, stacking- en cascadepatronen. Weegt nauwkeurigheidswinst af tegen latentie en operationele complexiteit.
Les 5 • ML-systeembetrouwbaarheidstechniek
Past SRE-principes—SLO’s, error budgets en chaos engineering—toe op ML-systemen. Bouwt veerkracht door redundantie, graceful degradation en fallback-modellen.
Jouw geldig certificaat van voltooiing
Deze cursus is voor jou:
Software engineer die zich wil specialiseren in het bouwen van productiekare ML-systemen.
Data-analist: klaar om verder te gaan dan dashboards naar voorspellende modelleerpijplijnen.
Backendontwikkelaar: wil ML-infrastructuurvaardigheden toevoegen aan zijn of haar engineeringsgereedschapskist.
Recente CS-afgestudeerde: gericht op het bemachtigen van een eerste functie met focus op toegepaste ML-techniek.
Datawetenschapper: gefrustreerd dat modellen zelden worden uitgerold en dat wil veranderen.
Carrièrewisselaar uit een kwantitatief vakgebied: domeinexpertise inbrengen in ML-engineering.
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...
Ik vind het fijn hoe de lessen direct ter zake zijn en hoe ik tussen hoofdstukken kan wisselen en content kan overslaan die ik niet nodig heb.
Ik vind de content en de manier van presenteren en transcriptie van video's geweldig, wat het proces versnelt!
Het platform is snel en eenvoudig te gebruiken. De diversiteit aan content en de aanvullende video's helpen enorm bij het leren.
Belangrijkste opleidingen
FAQ
Wie is Dedika?
Is het certificaat geldig in Nederland?
Zijn de cursussen gratis?
Wat is de studielast van de cursus?
Hoe zien de cursussen eruit?
Hoe werken de cursussen?
Wat is de duur van de cursussen?
Wat zijn de kosten of prijzen van de cursussen?
Wat is een EAD- of online cursus en hoe werkt het?
PDF-cursus