Artificial intelligence - Fundamentals

AI Fundamentals zijn essentieel voor zowel IT-professionals, data analisten maar ook project ingenieurs. AI fungeert - binnen deze kennisprofielen - als een onmisbare smart digital assistent die deuren opent naar innovatie, een hoger probleem oplossend vermogen mogelijk maakt en toekomstige mogelijkheden in de snel evoluerende wereld van datagedreven organisaties ondersteunt.

Waarom zou u als professional een “AI fundamentals” opleiding volgen?

In de snel evoluerende wereld van informatietechnologie (IT) wordt het steeds duidelijker dat kunstmatige intelligentie (AI) een cruciale rol zal spelen om efficiënter uw jobrol invulling geven. Voor IT-professionals is het daarom van groot belang om een grondige kennis van AI-fundamenten te verwerven. Hier zijn de drie belangrijkste redenen waarom een IT-professional deze "AI fundamentals" opleiding zou moeten volgen:

1. Future proof knowledge: AI wordt steeds meer geïntegreerd in zakelijke processen en producten. Het begrijpen van de basisprincipes van AI stelt IT-professionals in staat om relevant te blijven en zich aan te passen aan de voortdurende veranderingen in de branche, waardoor ze hun carrière toekomstbestendig maken.

2. Innovatie en efficiëntie: AI biedt mogelijkheden voor innovatie en verbeterde efficiëntie in verschillende IT-gerelateerde taken en projecten. Het leren van AI-fundamenten stelt IT-professionals in staat om oplossingen te ontwikkelen die data-gedreven besluitvorming en doorgedreven automatisering mogelijk maken en nieuwe mogelijkheden tot bedrijfsgroei te realiseren.

3. Probleemoplossend vermogen: Een goed begrip van AI-fundamenten stelt IT-professionals in staat om complexere problemen op te lossen die anders moeilijk te benaderen zouden zijn. Als het nu gaat om het analyseren van grote datasets, het ontwikkelen van voorspellende modellen of het implementeren van chatbots, AI-kennis vergroot de capaciteit van IT-professionals om creatieve en effectieve oplossingen aan te bieden.

Kortom, een solide basis in AI is essentieel voor IT-professionals die hun vaardigheden willen versterken, hun carrière willen stimuleren en waarde willen toevoegen aan hun organisaties in het tijdperk van digitale transformatie.

• Data analisten
• IT professional
• Project of process ingenieurs

• Basiskennis programmatielogica
• Basiskennis Python of kennis gelijkwaardig aan de opleiding "Leren programmeren in Python"

De verhouding tussen theorie en praktijk is 60%-40%.

Voor de hands-on labs dienen de deelnemer een laptop mee te brengen!

Laptop setup:

• Python: minimaal versie 3.11,
• Python IDE - vb Pycharm

dienen vóór de start van de opleiding reeds op laptop geïnstalleerd te staan.

• Het bredere begrippenkader:
  • AI
  • Machine learning
  • Neurale netwerken,
  • Data preprocessing
  • Training van machine learning modellen en evaluatie
  • Overfitting en regularisatie
  • Unsupervised Learning
  • Feature Selection en Dimensionality Reduction
  • Introductie Deep Learning
  • Ethiek en Verantwoordelijkheid

• AI
  • Expertsystemen,
  • Logica,
  • Evolutie,

• Machine learning
  • de basisprincipes van machine learning
  • het verschil tussen supervised, unsupervised en reinforcement learning

• Neurale Netwerken
  • Begrip van neurale netwerken,
  • hun architectuur en werking, inclusief perceptrons
  • feedforward-netwerken en backprogation,

• Data Preprocessing
  • Technieken voor het verzamelen
  • Reinigen en voorbereiden van gegevens voor machine learning-modellen (inclusief feature engineering en normalisatie)

• Model Training en Evaluatie
  • Het trainen van machine learning-modellen met behulp van verschillende algoritmen
  • Evaluatiecriteria zoals nauwkeurigheid, precisie, recall en F1-score

• Overfitting en Regularisatie
  • Begrip van overfitting
  • methoden voor het voorkomen ervan
  • het belang van reguliere termen in het trainingsproces

• Unsupervised Learning
  • Begrip van clustering
  • Technieken zoals K-means, DBSCAN en Gaussian mixtures.

• Feature Selection en Dimensionality Reduction
  • Technieken voor het selecteren van features,
  • Het verminderen van de dimensionaliteit van gegevens,
  • Principal components analysis (PCA).

• Introductie Deep Learning
  • Keras,
  • Hyperparameter tuning.

• Ethiek en verantwoordelijkheid

De ethische overwegingen bij het ontwikkelen en implementeren van AI-systemen, evenals het begrip van bias, fairness en de verantwoordelijke inzet van AI in de samenleving.