Leerstof¶
Concepten die in het vet staan moet je in je eigen woorden kunnen uitleggen op de kennistoets.
Externe links vormen geen leerstof. Ze dienen enkel ter verdere verduidelijking en/of inspiratie.
Naast de basisconcepten van ML, draait deze cursus rond het vertrouwd geraken met model-ontwikkeling in de meest belangrijke toepassingsdomeinen. Daar hoort telkens een stuk theorie bij en in de labo’s gaan we dan hands-on aan de slag met een echte use-cases met echte data van dat domein.
Die hands-on kennis zal je ook moeten toepassen op de vaardigheidstoets. Je zal met een echte dataset bepaalde stappen moeten uitvoeren (in een Jupyter notebook) die in de labo’s aan bod zijn gekomen.
Opdracht¶
In je opdracht ga je zelf een (mini-)use-case documenteren rond een bestaande vraag, een bestaande dataset en bestaande analyse. Die use-case kies je zelf, maar stem je eerst af met de lector. Je levert een (serie) werkende (!) notebook(s) af met daarin minimaal volgende secties:
Vraag-/probleemstelling
Dataset: bron, omschrijving en exploratieve analyse in functie van de vraagstelling
Model type: Waarom de keuze voor het specifieke paradigma?
Model definitie (parameters, feature engineering, hyper parameters)
Model training en hyper parameter tuning
Performantie analyse
Je geeft hierover een korte mondelinge presentatie tijdens de labo’s van december. De presentatie wordt gevolgd door een korte vragensessie.
Alle verdere informatie/verduidelijking zal hier in de loop van het semester worden aangevuld.