module #9 Beslissingsbomen Inleiding tot beslissingsbomen, entropie en informatieverwerving
module #10 Willekeurige bossen Ensemble learning, bagging en willekeurige bossen
module #11 Ondersteunende vectormachines Maximale-margeclassificatie, zachte marge en kerneltruc
module #12 Onbegeleid leren Clustering, dimensionaliteitsreductie en anomaliedetectie
module #13 K-Means-clustering K-means-algoritme, centroïde-initialisatie en convergentie
module #14 Principal Component Analysis PCA, kenmerkextractie en dimensionaliteitsreductie
module #15 Fundamenten van diep leren Inleiding tot neurale netwerken, perceptron en meerlagig perceptron
module #16 Convolutionele neurale netwerken CNN's, convolutionele lagen en beeldclassificatie
module #17 Terugkerende neurale Netwerken RNN's, LSTM en sequentiemodellering
module #18 Natuurlijke taalverwerking Tekstvoorverwerking, tokenisatie en woordinsluitingen
module #19 Transfer Learning Vooraf getrainde modellen, fine-tuning en model zoo
module #20 Modelevaluatie en -selectie Modelselectie, hyperparameterafstemming en kruisvalidatie
module #21 Omgaan met onevenwichtige datasets Klasse-onevenwichtigheid, oversampling- en undersamplingtechnieken
module #22 Modelimplementatie Modelimplementatie, API-integratie en Docker-containerisatie
module #23 AI-ethiek en eerlijkheid Biasdetectie, eerlijkheidsmetrieken en ethische overwegingen
module #24 Speciale onderwerpen in AI Generatieve modellen, aandachtsmechanismen en verklaarbare AI
module #25 Cursus samenvatting en conclusie Plannen van de volgende stappen in je carrière op het gebied van kunstmatige intelligentie en machinaal leren
