- **Supervised Learning** (leren met labels)
 - **Unsupervised Learning** (leren zonder labels)
 - **Reinforcement Learning** (leren door interactie)

• Features (X) en Labels (Y) • Belangrijke concepten: overfitting, generalisatie, policy, exploration vs. exploitation | | Week 3 | Kwaliteit en Uitdagingen in Machine Learning

Generalisatie en Fitting: • Generalisatie - het doel van Machine Learning • Overfitting - te goed leren van trainingsdata • Underfitting - te weinig leren van trainingsdata • Bias-Variance Trade-off

Bias in Machine Learning: • Data bias • Model bias / Algorithmic bias • Selection bias • Belang van trainingsdata vs. testdata • Oplossingsstrategieën voor overfitting, underfitting en bias | | Week 4 | Decision Trees en Feature Quality

Decision Trees: • Wat is een Decision Tree? • Hoe kiest een Decision Tree de eerste vraag? (Gini impurity, Entropy) • Workflow: van data naar voorspelling

Feature Quality: • Sterke features • Zwakke features • Ruis-features • Bias-features • Dominante features

Praktische voorbeelden: support tickets, advertentie kliks, fraudedetectie | | Week 5 | Model Evaluatie & Introductie Deep Learning

Model Evaluatie: • Confusion Matrix (TP, FP, TN, FN) • Metrics: Accuracy, Precision, Recall, F1-score • Precision-Recall Trade-off

Beperkingen van Klassieke Machine Learning: • Werkt goed op tabulaire data • Moeite met complexe data (beeld, tekst, geluid)

Deep Learning: • Wat lost Deep Learning op? (Automatische feature learning) • Wat is een Neuraal Netwerk? • Hiërarchische Feature Learning • Hoe leert een neuraal netwerk? | | Week 6 | Deep Learning Verdieping, Tensors, NLP & Computer Vision

Deep Learning Verdieping: • Wat is Deep Learning precies? (KNNs, Diepte, Automatische Feature-Extractie) • Neuronen en activatiefuncties (ReLU, Sigmoid, Softmax) • Hoe leert een Deep Learning model? (Forward Pass, Loss Calculation, Backpropagation)

Tensors: • Wat is een Tensor? (multidimensionale arrays) • Verschillende dimensies: 0D (scalar), 1D (vector), 2D (matrix), 3D (foto's), 4D (batches) • Tensor Shape (vorm)

NLP (Natural Language Processing): • Wat is NLP? • Waarom is NLP moeilijk? (context, woordvolgorde, sarcasme, meerdere talen) • Hoe werkt NLP met Deep Learning? - Tekstvoorbereiding (preprocessing: tokenization, normalisatie, stopwoorden) - Tekst omzetten naar getallen (Bag-of-Words, Word Embeddings, Contextual Embeddings) - Het model (Transformers, Attention mechanisme) - Taak uitvoeren (classificatie, vertaling, chatbots, etc.) - Nabewerking (postprocessing) • Praktische toepassingen: Chatbots, Vertaling, Sentiment Analyse, LLMs | | Week 7 | Computer Vision en Algemene Herhaling

Computer Vision: • Wat is Computer Vision? • Waarom is Computer Vision moeilijk? • CNN's (Convolutional Neural Networks) • Praktische toepassingen

Verbanden: • Gemeenschappelijke basis en verschillen tussen NLP en Computer Vision |