Voor wie

Deze training is voor mensen met minimaal een HBO denkniveau, die zich nog weinig verdiept hebben in AI/ML, en nu graag in de basis willen begrijpen hoe het werkt.

Voorkennis

Er is geen specifieke voorkennis vereist. Het is wel nodig dat de deelnemer begrip heeft voor abstracte modellen.

Leerdoelen

Na afloop van de training heb je als deelnemer kennis verworven over:

• Artificial Intelligence en Machine Learning in het algemeen;
• de werking van CNN en RNN (Convolutional/Recursive Neural networks);
• labelling van data voor ML;
• supervised, unsupervised en reinforcement learning;
• de toepassing van AI in verschillende applicaties;
• de ethiek van AI/ML;
• de huidige ontwikkelingen in AI/ML.

 

Inhoud

Artificial Intelligence ontwikkelt zich stormachtig, en vindt zijn weg in een groot aantal verschillende applicaties. Voorbeelden ervan zijn te vinden in slimme camera’s, het automatisch inlezen van handgeschreven teksten, chatbots, en het genereren van levensechte foto’s van niet bestaande mensen.
De term Artificial Intelligence beschrijft de mogelijkheid van computers om menselijke intelligentie te simuleren. Deze computers zijn nog steeds de “domme” machines van vroeger, alleen zijn ze tegenwoordig voorzien van slimme algoritmes die ze erg krachtig maken.
Deze slimme algoritmes zijn ook bekend als “neurale netwerken”, welke geleerd moeten worden om een complexe taak uit te voeren. Dit leren is het domein van “Machine Learning”.

In deze eendaagse training komen de volgende onderwerpen aan bod:

• Introductie
• Een korte geschiedenis van AI
  • De Mechanical Turk
  • Turing test
  • Schaakcomputers
  • Huidige speelveld
• Hoe werkt CNN
  • De basis principes achter een CNN
  • Regressie functie
• Vriendschap met AI? – een ethisch dilemma
• Het trainen van een CNN
  • Hoe leer je een netwerk
  • Loss function, gradual descent
  • Back propagation
• Oefening met CNN
• CNN toegepast: Computer Vision
• Hoe werkt RNN
  • De basis principes achter een RNN
  • Training van een RNN
  • LSTM
  • Attention
• Oefening met RNN
• Reinforcement learning
• Huidige limitaties en oplossingsrichtingen
• Vragen/afronding