Introductie machine learning

Les 1

We starten met de verschillende categorieën van machine learning: unsupervised learning, supervised learning, reinforcement learning en eventuele hybride varianten. We leren het verschil tussen clustering, classificatie en regressie. We focussen ook op verschillende types data structured data, image data, tijdreeksdata. In het tweede deel van deze les frissen we onze basisvaardigheden in programmeren in Python op.

Les 2

We duiken dieper in op evaluatiemetrieken en data cleaning. We bespreken het verschil tussen test error rate en training error rate, en waarom het zo belangrijk is een train-, test- en validatieset te hebben. Cross-validatie zal ons helpen wanneer we geen grote beschikbare test set hebben. Tenslotte bespreken we ook enkele praktische tips om een goede testset op te bouwen. We gaan ook direct aan de slag met Nearest Neighbor methodes, een zeer eenvoudige classificatiemethode die verrassend goed werkt bij veel problemen. Deze les sluiten we af met een labo omtrent ETL en kNN.

Data: 12 en 19 maart 2026
Lesgever: Sofie Van Hoecke

Datavisualisatie

Datavisualisatie is een belangrijk onderdeel van elk machine learningproject om meer te weten te komen over de beschikbare data en om eerste patronen te identificeren. We behandelen basis plotting bibliotheken zoals plotly, seaborn en matplotlib, en leren hoe we hoog-dimensionale data kunnen visualiseren. Ook clustering komt in deze sessie aan bod, zowel als finale taak, of gebruikt tijdens de data exploratie en preprocessing. Feature aggregatie en principale componenten analyse, t-SNE en UMAP zullen gebruikt worden wanneer we een grote hoeveelheid gegevens willen beschrijven met een kleiner aantal features.

Datum: 27 maart 2026
Lesgever: Jan Verwaeren

Regressie

Lineaire regressie is een zeer eenvoudige, maar zeer nuttige methode om een kwantitatieve uitkomst te voorspellen. We bespreken lineaire regressie als basistechniek en gaan ook in op de tekortkomingen en nieuwere, complexere benaderingen.

Datum: 23 april 2026
Lesgever: Willem Waegeman

Classificatie

Er bestaan heel wat classificatietechnieken, en daarom bespreken we hier enkele van de meest gebruikte en/of eenvoudige classificatiemethodes naast k-Nearest Neighbours die reeds in de eerste les gezien werd, zijnde Naive Bayes en logistische regressie.

Datum: 30 april 2026
Lesgever: Sofie Van Hoecke

Model selectie en regularisatie

In deze les gaan we dieper in op het finetunen van lineaire modellen via regularisatie. We bespreken eerst feature selection als een algemene methode om de performantie te verhogen en inzicht te verwerven in een machine learning model. Vervolgens bespreken we twee lineaire methoden die de basis vormen voor complexe methoden die later in de cursus aan bod komen: ridge regressie en lasso. Beiden zijn nauw met elkaar verwant, maar ze hebben enkele belangrijke verschillen. In het laatste deel van de les bespreken we hoe de besproken regularisatiemethoden ook toegepast worden op niet-lineaire modellen en in een classificatiecontext.

Datum: 7 mei 2026
Lesgever: Willem Waegeman

Ensemble

Ensemble-methoden profiteren van de voordelen van beslissingsbomen, terwijl ze de neiging tot overfitting verminderen. We leren hoe bagging (bootstrap-aggregatie) of boosting kan helpen om de variantie en bias te verminderen.

Datum: 29 mei 2026
Lesgever: Jan Verwaeren

Neurale netwerken

Neurale netwerken kunnen niet ontbreken vanwege de vooruitgang die hier de afgelopen jaren geboekt is. Neurale netwerken modelleren de data met behulp van kunstmatige neuronen. Ook deze techniek kan gebruikt worden voor zowel classificatie als regressie. Ook transfer learning en incremental learning komen kort aan bod.

Datum: 4 juni 2026
Lesgever: Sofie Van Hoecke

Tijdreeksen

In deze les maken we kennis met tijdreeksen: gegevens die doorheen de tijd worden verzameld. We verkennen hoe je zulke data kunt visualiseren om trends, seizoenseffecten en afwijkingen te ontdekken. Vervolgens zoomen we in op methoden voor analyse, motif/discord detectie en voorspelling.

Datum: 11 juni 2026
Lesgever: Sofie Van Hoecke

Anomaliedetectie

Anomaliedetectie houdt zich bezig met het vinden van data die afwijken van normaal gedrag en speelt dan ook een grote rol in de industrie, met toepassingen zoals kwaliteitscontrole, machinemonitoring voor voorspellend onderhoud, tot spamdetectie en bewaking. We bespreken en doen hands-on ervaring op met verschillende anomaliedetectietechnieken, zowel unsupervised, semi-supervised, als supervised methodes, en methodes specifiek voor tijdsreeksdata.

Datum: 18 juni 2026
Lesgever: Sofie Van Hoecke

Recommender systems

Deze sessie bespreekt een specialisatie binnen het domein van machine learning / deep learning namelijk aanbevelingssystemen. Het zijn de technieken die mensen assisteren bij het maken van beslissingen zoals welke film bekijken (bv. Netflix), wat te beluisteren (bv. Spotify) of wat aan te kopen (bv. Amazon). We bespreken de werking van aanbevelingssystemen vertrekkende van de klassieke algoritmen zoals content-based systemen, collaborative filtering, en matrix decompositie methoden (meer specifiek, singular value decomposition). Bij elke techniek worden de voor- en nadelen toegelicht. Via een demo op basis van een open-source recommender toolkit wordt aangetoond hoe aanbevelingssystemen gebruikt kunnen worden op een realistische use-case.

Datum: 25 juni 2026
Lesgever: Toon De Pessemier

Kaggle project

Je kan vrijblijvend deelnemen aan een diepgaander project waar je (alleen of in groep) alle tot dan toe geziene technieken kan combineren en gebruiken om een praktisch probleem uit de industrie op te lossen. Je werkt zelfstandig aan dit project, maar we voorzien ook 3 sessies om feedback te geven aan alle deelnemers van dit project.

Sessie 1

We starten met de data-analyse (statistieken en visualisatie) om inzicht in de data van het project te krijgen. Daarna gaan we over tot data cleaning en preparatie, alsook wat eerste (lineaire) baseline modellen voor het project.

Sessie 2

Daarna gaan we verder met het finetunen van onze lineaire modellen, het opstellen van tree-based modellen en/of neurale netwerken om te zien of deze onze baseline modellen overtreffen. We kijken ook om een goede en betrouwbare evaluatie op te zetten.

Sessie 3

Nadien kan er worden overgestapt naar het opstellen van een ensemble van alle voorgaande gecreëerde modellen om de laatste prestatiewinsten te halen en hopelijk hoog op de Kaggle leaderboard te eindigen.

Data: 2 april, 21 mei en 10 september 2026
Lesgever: Sofie Van Hoecke