Machine Learning-tutorial

Self-supervised learning traint modellen om hun eigen supervisie te halen uit ongetagde tekst, afbeeldingen, audio en video, met technieken zoals contrastive learning, masked modeling en autoregressieve voorspelling om de representaties achter hedendaagse taal-, visie- en multimodalemodellen op te bouwen.

Ontdek de architectuur van Transformers, de modellen die dataverwerking hebben gerevolutioneerd met self-attentionmechanismen.

Een praktische introductie tot contrastive learning - hoe modellen leren door vergelijkbare en onvergelijkbare voorbeelden te vergelijken, de achterliggende verliesfuncties en methoden, en hoe je het in PyTorch implementeert.

Leer alles over het populairste modelvrije reinforcement learning-algoritme met een Python-tutorial.

Leer over lineaire regressie, het doel ervan en hoe je het implementeert met de scikit-learn-bibliotheek. Inclusief praktische voorbeelden.

Zie hoe een end-to-end MLOps-pijplijn de resultaten van het WK 2026 voorspelt, van automatische hertraining en DVC tot een Monte Carlo-simulatie van 10.000 runs van het schema.

Hoe random forest-regressie werkt, waar het faalt, en hoe je het evalueert, afstemt en interpreteert. Inclusief een Python-implementatie en kader voor modelvergelijking.

Leer wat zero-shotclassificatie is, hoe het onder de motorkap werkt met NLI-modellen, hoe het zich verhoudt tot few-shot en fine-tuning, en hoe je het toepast met Hugging Face Transformers.

Leer in deze tutorial hoe je k-means-clustering toepast met scikit-learn in Python

Een makkelijk te volgen scikit-learn-tutorial die je helpt aan de slag te gaan met machine learning in Python.

Leer over lossfuncties in machine learning, inclusief het verschil tussen loss- en costfuncties, types zoals MSE en MAE, en hun toepassingen in ML-taken.

Leer wat Maximum Likelihood Estimation (MLE) is, begrijp de wiskundige basis, bekijk praktische voorbeelden en ontdek hoe je MLE in Python implementeert.