Leer AI door te doen

Praktische AI-videocursussen voor studenten, werknemers, freelancers, ondernemers en bedrijven die AI in hun werk willen gebruiken.

Nieuw met AI? Begin hier.

Kies een praktische cursus en leer in je eigen tempo. Deze beginnerscursussen staan nu in de Academy-catalogus.

• Claude Cowork en AI-kenniswerk - Gebruik de geselecteerde demonstraties om kenniswerkpatronen te bestuderen: het organiseren van bestanden, het toevoegen van duurzame context, het onderzoeken van een website, het verpakken van herbruikbare mogelijkheden, het opstellen van zakelijke artefacten en het vergelijken van stromen met agenten. De nadruk ligt op inspecteerbare inputs en controleerbare outputs, omdat interfaces en machtigingen kunnen veranderen.
• AI-afbeeldingen maken: prompts, consistentie en lokale tools - Werk van een visuele opdracht tot een controleerbare beeldworkflow. U vergelijkt generatie- en bewerkingsbenaderingen, oefent de promptstructuur, behoudt karakter- en scènecontinuïteit en test gehoste en lokale opties zonder een bepaalde interface als permanent te behandelen. De cursus legt de nadruk op versierecords, machtigingen, artefactbeoordeling en openbaarmaking voor synthetische media.
• AI-content- en marketingworkflows - Bouw een klein inhoudssysteem in plaats van een stapel tooltips. U oefent met prompt- en contextontwerp, instructies met meerdere uitvoer, begrensde automatisering, concepten in UGC-stijl, mobiele snelkoppelingen, marketingexperimenten en gecontroleerde promptlabs. Elke workflow houdt verificatie, privacy, claimbeoordeling en menselijke goedkeuring zichtbaar, zodat een veranderende product-UI niet de enige bron van waarheid van de cursus wordt.
• Lees het AI-handboek naast je cursus

Leer AI door te doen

Praktische AI-videocursussen voor studenten, werknemers, freelancers, ondernemers en bedrijven die AI in hun werk willen gebruiken.

• SQL-analyses met windowfuncties - Ontwikkel praktische vaardigheid met SQL-windowfuncties: van de OVER-clausule en partitionering tot rangschikking, vergelijkende berekeningen en uitgebreidere analyse. Leer een windowberekening te onderscheiden van een aggregatie die rijen samenvoegt, maak sortering en framegrenzen expliciet en controleer resultaten met kleine voorbeelden. De opdrachten gebruiken verzonnen of toegestane gegevens en benadrukken een duidelijke korrel, deterministische sortering en zorgvuldige interpretatie. Een queryresultaat is pas betekenisvol wanneer de populatie en aannames zijn vermeld.
• Modeldrift monitoren: detecteren, diagnosticeren en verbeteren - Verbind statistische driftsignalen met diagnose van productiemodellen en verantwoord verbeteren. Onderscheid veranderingen in invoerverdelingen van veranderingen in voorspellende relaties, combineer datakwaliteit met uitkomstbewijs en behandel een alarm niet automatisch als reden om opnieuw te trainen. Fictieve opdrachten benadrukken baselines, tijdsgerichte evaluatie, groepscontrole, terugdraaien en eigenaarschap.
• Onderbouwde antwoorden: bouw en toets een RAG-workflow - Volg de weg van documentophaling naar een controleerbare vraag-en-antwoordworkflow. Vergelijk systemen voor lokale pdf-bestanden, bekijk een aanpak die zichzelf controleert en ontwerp evaluaties die ophalen en formuleren afzonderlijk toetsen. De originele opdrachten benadrukken traceerbare bronnen, privacy, foutanalyse en menselijke controle: een vloeiend antwoord is geen bewijs.
• Generatieve AI: een praktische eerste kennismaking - Een korte instap voor wie nog niet met generatieve AI heeft gewerkt. Vier video's met gecontroleerde gebruiksrechten behandelen de basis, de beperkingen van gegenereerde antwoorden en eenvoudige toepassingen. Controleer de uitkomst altijd aan de hand van je bron.
• Geavanceerde beeldsegmentatie: semantische, instantie- en panoptische methoden - Van segmentatieframing naar semantische labels, instanties, panoptische representaties en punt-/pixelsegmentatie met tracking. Je onderscheidt voorspellingseenheden, annotaties, evaluatie en temporele koppeling.
• Parameterzuinig LLM-finetunen: PEFT, LoRA en QLoRA - Onderzoek parameterzuinig finetunen van de motivatie en low-rank adaptation tot PEFT-workflows en LoRA met quantisatie. Vergelijk bevroren basisgewichten met trainbare adapters en maak keuzes voor modules en gegevens expliciet. Ontwerp evaluaties die taakwinst onderscheiden van memorisatie, quantisatie-effecten en implementatiekosten. De Engelstalige video’s gaan vergezeld van oorspronkelijke notities, geen transcripties.
• Continu leren: geheugen, stabiliteit en plasticiteit - Bestudeer scenario’s voor continu leren, de afweging tussen stabiliteit en plasticiteit, geheugen en generalisatie, en een taakagnostische studie naar continu reinforcement learning. De reeks gaat van het vastleggen van sequentiële evaluatie naar aanpassingsmechanismen en geheugenkosten, en eindigt met een eenvoudige baseline in reinforcement learning. Je leert behoud van overdracht te onderscheiden en evaluaties te ontwerpen die vergeten, taakeffecten en resourcekosten zichtbaar maken. De video’s zijn Engelstalig; deze oorspronkelijk geschreven notities en opdrachten zijn geen transcripties.
• Reinforcement learning: waardemethoden en policy gradients - Van Markov-beslissingsprocessen en leerdoelen via waarde- en beleidsmethoden naar fitted value iteration en deterministische policy gradients. Je koppelt methoden aan actieruimten, gegevensverzameling en stabiliteit, en onderscheidt algoritmische ideeën van garanties voor succesvolle besturing. De video's zijn Engelstalig; deze oorspronkelijke studienotities en opdrachten zijn geen transcripties.
• Toegepaste machinelearningprojecten: voorbereiden, voorspellen en vergelijken - Volg voorbeelden van datavoorbereiding naar classificatie, clustering en tijdreeksvoorspelling. Oefen met het definiëren van doelen, voorkomen van datalekken, vergelijken met een baseline en het benoemen van beperkingen. De opdrachten gebruiken openbare of synthetische data en benadrukken reproduceerbaarheid en onzekerheid.
• A/B-testen: experimenten ontwerpen, uitvoeren en interpreteren - Ontwikkel een praktische experimentworkflow die een productvraag verbindt met een duidelijk omschreven behandeling, vergelijkingsgroep en uitkomst. Onderzoek willekeurige toewijzing, blootstelling en meting, praktische relevantie en de risico’s van te stellige conclusies uit ruis. De opdrachten gebruiken fictieve of passend toegestane geaggregeerde gegevens en leggen nadruk op vooraf vastgelegde beslisregels, veiligheidsmaten en eerlijke onzekerheid; een test garandeert geen definitief antwoord.
• Informatieterugzoeken: klikmodellen, relevantie en leren rangschikken - Deze gevorderde reeks loopt van taalkundige relevantiemodellering en klikgedrag naar online paarsgewijs leren en diepe rangschikkingsarchitecturen voor grootschalige websystemen. Je onderscheidt relevantieoordelen van waargenomen klikken, onderzoekt feedback- en blootstellingsbias en verbindt rangschikkingsdoelen met operationele evaluatie. De focus ligt op zoeken en rangschikken, niet op retrieval-augmented generation. De Engelstalige opnamen worden aangevuld met oorspronkelijk analytisch studiemateriaal, geen transcripties.
• Transformerarchitecturen: van aandacht tot tijdreeksen - Een technische leerlijn van transformergrondslagen en een transparante implementatie op spreadsheetschaal via varianten van attention naar de tijdreeksarchitectuur Informer. Je verbindt architectuurkeuzes met sequenties, rekeneisen en aannames voor voorspellingen. Ontwerp daarna een evaluatie zonder datalekken in de tijd.
• Prompt engineering: maak je opdrachten duidelijker - Een praktische kennismaking met communiceren met generatieve AI. Vier video's met afzonderlijk gecontroleerde gebruiksrechten bouwen op van de basis van prompts en promptkwaliteit naar technieken en duidelijkere opdrachten. Oefen met een taak met weinig risico, vergelijk uitkomsten en behandel ieder antwoord als een concept dat controle nodig heeft.
• Praktische data-analyse met Python en Pandas - Bouw in korte stappen een praktische analyseworkflow: bereid een notebook voor, begrijp basiswaarden in Python, laad gangbare bestanden, selecteer en combineer gegevens, vat groepen samen en inspecteer een dataset. De geselecteerde lessen zijn open-gelicentieerde demonstraties van Alex The Analyst; ze zijn geen vervanging voor de huidige bibliotheekdocumentatie. De leerlingen eindigen met een reproduceerbaar notitieboekje voor verkennende analyses en een duidelijk overzicht van de aannames.
• Graafneurale netwerken: message passing en graafleren - Verken graph attention, neuraal message passing, classificatie van knopen en grafen en voltooiing van multi-relationele kennisgrafen. De lessen verbinden graafstructuur en aggregatie met voorspellingstaken en onderzoeken hoe augmentatie en geometrische aannames generalisatie beïnvloeden. Je maakt keuzes over graafconstructie expliciet en ontwerpt een evaluatie zonder datalekken.
• Generatieve modellen beoordelen: meetwaarden, benchmarks en vertrouwen - Van kwaliteitscriteria voor uitvoer via beperkingen van benchmarks en vertrouwen naar een multimodale evaluatiecasus. Behandel een ranglijst of totaalscore niet als eindoordeel: bepaal het gebruiksdoel, toets de aansluiting van gegevens en rubric en bekijk fouten per groep. De opdrachten combineren kwantitatieve tests, menselijke beoordeling en passende menselijke controle.
• Zelfgesuperviseerd leren voor graaf- en netwerkrepresentaties - Onderzoek zelfgesuperviseerd leren van graafrepresentaties via adaptieve contrastieve augmentatie, multi-channel hypergraafmodellering, contextuele embeddings voor heterogene linkvoorspelling en logische-queryrepresentaties voor kennisgrafen. Je vergelijkt welke voorverschillende signalen welke structuur behouden en hoe graaftype, augmentatie, geometrie en evaluatie het resultaat bepalen. De cursus benadrukt toetsing zonder lekken; een zelfgesuperviseerd doel bewijst geen algemeen bruikbare representatie. De Engelstalige video’s krijgen onafhankelijk geschreven studiemateriaal, geen transcripties.
• Geavanceerde objectdetectie: DETR en dat efficiënt leren - Verken objectdetectie van taakdefinitie tot DETR-setvoorspelling, transformerontwerp en probabilistisch actief leren voor annotatieselectie. Onderscheid detectie per beeld van temporele tracking en let op passende metrics, datasplitsingen, annotatiekwaliteit en rekentijd. De Engelstalige video’s worden aangevuld met originele studienotities.
• Agentworkflows: plannen, hulpmiddelen gebruiken en menselijke controle behouden - Onderzoek hoe een systeem van één antwoord verschuift naar een workflow met meerdere stappen. Breng planning, hulpmiddelgebruik en overdrachten in kaart en stel grenzen voor acties die mensen, gegevens of externe systemen kunnen raken. De originele opdrachten gebruiken fictieve situaties en maken goedkeuring, registratie en herstel expliciet.
• Python-datastromen: verzamelen, transformeren en analyseren - Volg gegevens van website of API naar structuur, numerieke bewerkingen en analyse van verbanden. Let op toestemming, limieten, herkomst, schema, gegevenstypen en ontbrekende waarden. De opdrachten onderscheiden correlatie van causaliteit; openbare toegang geeft niet automatisch toestemming tot hergebruik.
• Federatief leren: aggregatie, personalisatie en representaties - Onderzoek federatief leren, FedAvg en methoden voor personalisatie en representaties. Analyseer heterogene cliëntdata, deelname, communicatie en de grenzen van modeluitwisseling.
• Voltooiing van kennisgrafen: representaties, embeddings en evaluatie - Deze gevorderde cursus richt zich op voltooiing van kennisgrafen, niet op algemene graafneurale netwerken. Je verbindt structurele en tekstuele kenmerken met embeddings van entiteiten en relaties, onderzoekt efficiënte doelen zonder negatieve steekproeven en schema-bewuste voltooiing van instanties, en toetst evaluatieprotocollen voor linkvoorspelling kritisch. De aandacht ligt op kandidaatconstructie, datalekken, rangschikkingsmaten en de vraag of een evaluatie het beoogde gebruik weerspiegelt. De video’s zijn Engelstalig; het studiemateriaal is originele analytische begeleiding, geen transcript.
• Productexperimenten: analyse, afwegingen en platforms - Verbind de interpretatie van experimenten met productbesluiten en systemen die tests op schaal coördineren. Een paradoxvoorbeeld, een college over modellen en A/B-testen, een productgesprek over wanneer testen passend is en een sessie over platformbeheer laten verschillende soorten bewijs en operationele afwegingen zien. Oefen met segmenten, overlappende tests, beheer en meetkwaliteit; geen platform- of sprekersclaim geldt als universeel bewijs van een geldig experiment.
• MLOps-observeerbaarheid: productiesystemen monitoren - Verken observeerbaarheid vanaf metriekverzameling en alarmontwerp tot productieoverdracht en de overgang van notebook naar service. Scheid infrastructuursignalen van bewijs over voorspellingen en behandel privacybewuste instrumentatie, begrensde labels, eigenaarschap, reproduceerbare vrijgaven en herstelplanning. De activiteiten gebruiken fictieve diensten en stellen niet dat monitoring betrouwbaarheid garandeert.
• Je eerste workflow voor data-analyse - Een kennismaking met drie manieren om tabelgegevens te onderzoeken, niet een belofte dat je alle drie meteen beheerst. Vier video's met gecontroleerde gebruiksrechten tonen een Excel-project, MySQL, SQL-verkenning en opschonen met Pandas. Werk met een kleine toegestane dataset en leg je aannames vast.
• Controleer voordat je vertrouwt: AI-uitvoer verifiëren - Een instappad waarin AI-claims worden behandeld als beweringen die onderzoek vereisen, niet als feiten om te herhalen. Vier video's met gecontroleerde rechten behandelen hallucinaties, een verificatievoorbeeld, menselijke beoordeling en het herkennen van gebrekkige uitvoer. Oefen met claims opsplitsen, onafhankelijk bewijs vinden en onzekerheid benoemen.
• Geospatiale analyse: ruimtelijke data, queries en joins - Bouw een zorgvuldige workflow voor geografische queries en joins en verbind desktop-GIS-bewerkingen met een ruimtelijke database. Onderscheid geometrische predicaten, coördinatenstelsels en de korrel van gekoppelde records; onderzoek ook hoe grenzen en databronnen een analyse beïnvloeden. De opdrachten gebruiken verzonnen of passend gelicentieerde geografische voorbeelden, controleren ongeldige of niet-passende geometrieën en behandelen een kaart of ruimtelijke samenhang niet als causaal bewijs. Controleer bronvoorwaarden en coördinatenmetadata voordat je echte gegevens hergebruikt.
• Fundamenten van Machine Learning: van algoritmen tot pijplijnen - Verbind de geometrische intuïtie van vectoren met de redenering van de dichtstbijzijnde buur, boostingbomen, verliesfuncties, voorverwerkingspijplijnen en twee compacte voorbeelden van neurale netwerken. De reeks gebruikt open-gelicentieerde lessen van CampusX als uitgewerkte demonstraties. Het benadrukt de vraag welke gegevens, doelstellingen, splitsing en evaluatiemetingen een model gebruikt, in plaats van een codevoorbeeld te behandelen als bewijs dat een model zal generaliseren.
• Kwantitatieve financiën: backtests en marktdata - Onderzoek hoe financiële data, strategieregels en simulatiekeuzes samen een backtest vormen. Onderscheid portefeuillebacktests van voorbeelden met één strategie en bekijk een Python-gerichte workflow. Controleer of testen look-ahead-bias, survivorship-bias en onrealistische uitvoering vermijden. Opvallende claims zijn onderzoeksvragen, geen bewezen resultaten. De opdrachten gebruiken hypothetische data en benadrukken transactiekosten, tijdsgerichte validatie, benchmarks, risicomaten en de grenzen van extrapolatie. Deze cursus is educatief en geen beleggingsadvies.
• Generatieve beeldworkflows: instellen, maken en beoordelen - Bekijk hoe desktoptools, modellen en tekst-naar-beeld-workflows samenhangen en wat wel en niet uit een afbeelding kan worden afgeleid. Oefen met veilige experimenten, herkomstregistratie, rechten, openbaarmaking en menselijke controle. Een detector bewijst beeldherkomst niet.
• Bayesiaanse optimalisatie voor efficiënte experimenten - Van motivatie voor Bayesiaanse optimalisatie naar surrogate-gebaseerd experimenteel ontwerp en geautomatiseerde prestatietuning. Je redeneert over onzekerheid, acquisitiekeuzes, ruis en praktische beperkingen zoals evaluatiekosten en parameterruimten. De cursus benadrukt reproduceerbare vergelijkingen met random search en zorgvuldige rapportage van het zoekbudget.
• Differentiële privacy: gevoeligheid, metriek en private statistiek - Bestudeer grondslagen van differentiële privacy, gevoeligheid, formele definities en private statistische schetsen. De nadruk ligt op nabuurrelaties, compositie, bruikbaarheid en dreigingsmodellen.
• Anomaliedetectie: streams, multivariate signalen en interpretatie - Deze gevorderde cursus gaat van anomaliedetectie in datastreams naar signalen met meerdere aspecten, multivariate service-indicatoren en interpreteerbare uitschieteranalyse. Je onderscheidt een detectiescore van een bevestigd incident, onderzoekt temporele en cross-variabele context en toetst verklaringen aan domeinkennis. Naast een HTM-gerichte discussie bevat de reeks onderzoekspresentaties over streaming en multivariate methoden; er wordt niet verondersteld dat één detector overal past. De Engelstalige video’s zijn voorzien van originele notities en opdrachten, geen transcripties.
• Verantwoorde AI: privacy, ethiek en beoordeling - Een inleidende cursus over zorgvuldig omgaan met generatieve AI en informatie. De vier video's met open gebruiksrechten behandelen privacy, ethiek, grondbeginselen van verantwoorde AI en onderzoeksintegriteit. Originele oefeningen helpen bepalen wat gedeeld mag worden, wie gevolgen ondervindt en wanneer menselijke controle of een veiliger alternatief nodig is.
• Toegepaste aanbevelingssystemen: boeken, films en afspeellijsten - Gebruik verschillende aanbevelingssituaties om interactie- en inhoudsgerichte prototypes te beoordelen en te bepalen wat een demonstratie bewijst. Definieer feedback en rangschikkingsdoelen, onderzoek kenmerken en blootstellingsvertekening en plan toestemming, diversiteit, cold start en gebruikerscontrole. Opdrachten gebruiken verzonnen situaties of toegestane catalogusmetadata; een demo voorspelt geen universele smaak en bewijst geen productimpact.
• Veilig machine learning: private inferentie en modelinversie - Verken privacybeschermende ML-systemen: van een algemeen raamwerk via een beveiligde nearest-neighbor-classifier en evaluatie van gequantiseerde neurale netwerken tot modelinversie als concreet privacyrisico bij collaboratieve filtering. De cursus onderscheidt bescherming van berekeningen van formele privacygaranties en onderzoekt dreigingsmodellen, uitlekkanalen en gebruikskosten. De aanvalgerichte slotles dient als beveiligingsanalyse, niet als goedkeuring van het achterhalen van persoonsgegevens. De video’s zijn Engelstalig; notities en opdrachten zijn origineel en bevatten geen transcripties.
• Interpreteerbare machine learning: uitleg en grenzen - Onderscheid intrinsieke interpreteerbaarheid van uitleg achteraf, onderzoek feature-attributie en bekijk interpreteerbare neurale netwerken en productiebeperkingen. Toets de stabiliteit van uitleg, controleer wat een methode daadwerkelijk over het model zegt en communiceer de reikwijdte ervan aan de juiste doelgroep.
• Data-pipelineorkestratie: schedulers en DAG's - Onderzoek het plannen van dataworkflows aan de hand van een Luigi-pijplijn, een vergelijking van Airflow en Luigi, een visuele DAG-composer en migratielessen uit enterprise-schedulers. Verbind taakafhankelijkheden met retries, idempotentie, observeerbaarheid en wijzigingsbeheer; een scheduler vervangt geen betrouwbare taakcode. De opdrachten vragen om expliciete herstel- en eigenaarsplannen. De lezingen zijn voorbeelden, geen bewijs dat één orkestratietool voor ieder team de beste is.
• AI-toepassingen verantwoord evalueren en uitrollen - Koppel evaluatie van een toepassing aan het verpakken en aanbieden van een modeldienst. Definieer representatieve tests, bekijk reproduceerbaarheid en API-grenzen en stel vrijgavecriteria op met beveiliging, terugdraaien en menselijke verantwoordelijkheid. De originele opdrachten zijn geen garantie dat een specifieke tool of implementatiestap actueel blijft.
• Multi-object tracking: identiteitskoppeling en robuuste trackers - Bestudeer multi-object tracking als temporele koppeling in plaats van detectie per frame. Behandel associatiekeuzes, trackbeheer en GHOST als concreet voorbeeld. Analyseer identiteitswissels, gemiste detecties, beweging, uiterlijk en evaluatie over volledige sequenties; neem geen overdraagbaarheid aan buiten geteste omstandigheden. De video’s zijn Engelstalig en de notities zijn origineel.
• Deep Learning en computervisie met CNN’s - Ga van de rol van deep learning en neurale netwerkfamilies naar de basisprincipes van PyTorch, convolutionele structuur, voorgetrainde modellen en transfer learning. De laatste les biedt een begrensde projectcontext voor beeldclassificatie. Het materiaal wordt gepresenteerd via open-gelicentieerde demonstraties van CampusX, dus leerlingen moeten raamwerk-API's en datasettermen verifiëren aan de hand van de huidige documentatie voordat ze een project implementeren.
• Herhaalbaar prompts ontwerpen: structureren, toetsen en beoordelen - Een prompt is één onderdeel van een toepassing, geen magische formulering. Definieer taak, context, beperkingen, uitvoer en controles; vergelijk versies met vaste voorbeelden en toets of hulpmiddelen werkelijk helpen. De opdrachten benadrukken herhaalbaarheid, bewijs, privacy en menselijk oordeel.
• Aanbevelingsalgoritmen: collaboratief filteren in de praktijk - Ga van het rangschikkingsprobleem naar gebruikersbuurten, gewogen kandidaatscores en itemgelijkenis. Onderzoek aannames in interactiematrices, overlap en blootstelling en vergelijk methoden met populariteitsbaselines, rangschikkingskwaliteit, dekking, cold-start-tests en gevoeligheidscontroles. Opdrachten gebruiken kleine verzonnen matrices; offline scores bewijzen geen voordeel, eerlijkheid of causale productimpact.
• Bayesiaanse inferentie: leren, posteriorberekening en MCMC - Van Bayesiaanse inferentie en leren naar posteriorberekening met MCMC. Formuleer modelaannames en beoordeel benaderingen, diagnostiek en gevoeligheidsanalyse.
• Efficiënte neurale inferentie: quantisatie en compressie - Bestudeer quantisatie van neurale netwerken, een methode met aangeleerde stapgrootte, inferentie-efficiëntie en een bredere verzameling technieken voor LLM-efficiëntie. Je onderscheidt representatie- en rekentrade-offs van hardware-effecten, vergelijkt compressiemethoden en ontwerpt taakgerichte kwaliteits- en latencycontroles. De video's zijn Engelstalig; het oorspronkelijke materiaal is analytische begeleiding, geen transcript.
• Aanbevelingssystemen: collaborative filtering, factorisatie en debiasing - Verken aanbevelingssystemen van collaborative filtering en voorkeurssignalen tot compacte similariteitscodering, eerlijkheidsbewuste aanbevelingen en factorisatiemachines. Let op hoe feedback wordt verzameld, wat interacties tussen gebruikers en items betekenen en hoe evaluatie de kwaliteit en eerlijkheid beïnvloedt. De Engelstalige video’s zijn aangevuld met originele notities, geen transcripties.
• Causale inferentie: experimenten, matching en regressie - Een route van causale vragen en aannames naar gerandomiseerde experimenten, matching en regressiecorrectie. Definieer een doeleffect, teken een causaal diagram, herken confounding en selectierisico's en communiceer grenzen van observationele conclusies. De voorbeelden ondersteunen methodologisch leren, maar bewijzen niet dat één schatter identificatieproblemen oplost.
• NLP-systemen: van taalstructuur tot transformers - Leg een praktische verbinding tussen tekstverwerking, sequentielabels, neurale taalmodellen en transformerrepresentaties. Vergelijk taakdefinities, datakeuzes en modeluitvoer en ontwerp vervolgens een evaluatie die context en foutkosten respecteert. De opdrachten gebruiken verzonnen of openbare tekst en benadrukken dat vloeiende uitvoer geen vervanging is voor controle van taakgeschiktheid en vertekening.
• Data-engineering: ETL, reverse ETL en analysepijplijnen - Bekijk vier perspectieven op pijplijnwerk: een modern ontwerpoverzicht, een Databricks-ETL-implementatie, reverse ETL met Airflow en een analysepijplijn met Airflow en PySpark. Onderscheid keuzes voor opname en transformatie van operationele levering naar andere systemen en documenteer contracten, herkomst, herstel en privacygrenzen. Architecturen en demonstraties zijn illustratief; geen stack of gegevensverplaatsing is vanzelfsprekend passend zonder toestemming voor brongebruik en beheersing van de bestemming.
• AI-beelden maken: van prompt tot beoordeling - Een instaproute door de basis en praktische mogelijkheden van generatieve beelden. Vier video's met gecontroleerde rechten introduceren beeldgeneratie, laten het maken van beelden zien en verkennen promptvormen en een beginnersworkflow. Maak een originele, eenvoudige briefing, vergelijk uitkomsten en controleer kwaliteit, herkomst, toestemming en beoogd gebruik voordat je iets deelt.
• Few-shot-leren: generalisatie over kennis, gebeurtenissen en grafen - De cursus begint met de few-shot-opzet en behandelt vervolgens validatie van kennis, taxonomy-bewuste gebeurtenisdetectie en moleculaire voorspellingen met weinig labels. De lessen verbinden supportvoorbeelden en taakstructuur met aanpassing, maar benadrukken dat een kleine benchmark geen overdracht naar nieuwe domeinen of labelverdelingen garandeert. Je vergelijkt eenvoudige baselines, houdt rekening met variatie tussen labels en taken en evalueert op het juiste niveau van entiteit of domein. De video’s zijn Engelstalig; het aanvullende materiaal is origineel en geen transcript.
• NLP-fundamenten: van Transformers tot LLM’s - Bouw achtereenvolgens een mentaal model voor NLP: definieer de taak, plaats voorverwerking en representatie in een pijplijn, probeer een begeleide tekstclassificatie-framing en koppel vervolgens self-attention aan de historische ontwikkeling van taalmodellen. De geselecteerde CampusX-lessen zijn eerder instructiemateriaal dan een belofte van een bepaald modelresultaat. Oefeningen zijn gericht op het zichtbaar maken van voorbewerkingskeuzes en evaluatieaannames.
• Gegevens analyseren in Excel: van opschonen tot grafieken - Leer een praktische Excel-stappenreeks voor een kleine datavraag: inspecteer en verbeter een tabel, bereken nuttige velden, vat categorieën samen met een draaitabel en kies een passende grafiek. De vier lessen gebruiken afzonderlijke, op gebruiksrechten gecontroleerde demonstraties. Werk op een kopie van gegevens die je mag gebruiken, bewaar het origineel en beschrijf wat je samenvatting wel en niet laat zien.
• GenAI-apps bouwen met LangChain en LangGraph - Begin met de rol van LangChain in generatieve AI-toepassingen en onderzoek vervolgens componenten, modelinterfaces, prompts, gestructureerde uitvoer en parsers voordat u overgaat op een LangGraph-agentgebaseerde workflow. CampusX levert de geselecteerde demonstraties en codecontext; pakketnamen en API's kunnen veranderen, dus behandel de oefeningen als patronen om te verifiëren in plaats van als onveranderlijke productie-instructies. De cursus beloont expliciete schema's, testinputs en waarneembare toestandsovergangen.
• SQL voor beginners: vragen stellen aan tabellen - Bouw stap voor stap een verkennende query op. Selecteer eerst kolommen uit een tabel, beperk daarna de rijen met een voorwaarde, vat gefilterde rijen per categorie samen en onderscheid ten slotte een filter op bronrijen van een voorwaarde op gegroepeerde resultaten. De lessen tonen werkwijzen, geen gegarandeerde database-installatie. Gebruik een veilige oefentabel en pas dialectspecifieke details aan je eigen omgeving aan.
• AI-automatisering en agentbeheer - Bestudeer praktische automatiseringspatronen zonder een demo als productieblauwdruk te beschouwen. De cursus gaat van een end-to-end contentworkflow via bediening op afstand, planning, uitbreidingen, multi-agentontwerpen in supervisorstijl en een n8n-workflow met menselijke kwaliteitscontrole. Van de leerlingen wordt verwacht dat ze de machtigingen, het herstel van fouten, de gegevensverwerking en de wijzigingsgevoelige toolstappen testen.
• Python en Pandas: je eerste tabelanalyse - Een gerichte introductie in het analyseren van tabellen met Pandas in Python. Begin met de DataFrame als gelabelde tabel, laad een bestand, filter rijen of kolommen voor een vraag en vat gegevens per groep samen. De geselecteerde video's blijven toegeschreven aan hun genoemde uploadkanalen en zijn afzonderlijk op rechten gecontroleerd. Oefen met een niet-vertrouwelijk bestand, controleer elke bewerking en noteer aannames.
• Claude Cowork en AI-kenniswerk - Gebruik de geselecteerde demonstraties om kenniswerkpatronen te bestuderen: het organiseren van bestanden, het toevoegen van duurzame context, het onderzoeken van een website, het verpakken van herbruikbare mogelijkheden, het opstellen van zakelijke artefacten en het vergelijken van stromen met agenten. De nadruk ligt op inspecteerbare inputs en controleerbare outputs, omdat interfaces en machtigingen kunnen veranderen.
• Power BI voor beginners: importeren, modelleren en visualiseren - Volg een praktische route door Power BI Desktop: maak kennis met een eerste visualisatie, bereid een ingelezen tabel voor, begrijp hoe relaties de analyse beïnvloeden en kies visuals die een gecontroleerd resultaat communiceren. Elke les is een afzonderlijke Creative Commons-demonstratie van de uploader. Functies en schermen kunnen veranderen; leg daarom je gegevens- en modelkeuzes vast.
• Toegepast prompten voor onderzoek en werk met hoge inzet - Ga van promptstructuur en voorbeelden naar juridische procescontext, analyse van gesprekskloof, onderbouwde retrieval, visueel onderzoek en trefwoorddetectie. De cursus behandelt de modeluitvoer als een concept voor inspectie, niet als juridisch advies, een feitelijke vaststelling of een vervanging voor gekwalificeerde beoordeling. Elke opdracht levert een prompt, bewijsstuk of evaluatieartefact op dat kan worden gecontroleerd.
• Machine learning: kernideeën en datasplitsing - Een instaproute van het basisidee van machine learning naar leertypen, modelbegrippen en het zorgvuldig splitsen van gegevens. Je vergelijkt voorbeelden van leren met en zonder labels en van leren op basis van beloningen. Daarna onderzoek je waarom trainings- en evaluatiegegevens gescheiden moeten blijven. De afsluitende oefening gebruikt een kleine dataset die je mag gebruiken; programmeerkennis is niet nodig.
• LLM-fundamenten: deep learning, modellen en retrieval - Verbind neurale netwerktraining en transfer-learningpraktijken met interne taalmodellen, modelevaluatie, prompts, agentloops, MCP-toolverbindingen en retrievalgerichte workflows. Het materiaal omvat lange technische lessen en kortere demonstraties; gebruik de opdrachten om duurzame concepten te onderscheiden van versiegevoelige commando's en om elke systeemgrens te testen.
• Neurale netwerken: van neuronen naar leren - Een toegankelijke introductie in vier lessen: van het kunstmatige neuron via lagen en activatiefuncties naar aangeleerde representaties. De cursus gebruikt uitleg op begripsniveau en vereist geen code of calculus. Je tekent tot slot een klein netwerk en legt uit waarom de uitvoer ook moet worden getest op voorbeelden die niet voor het trainen zijn gebruikt.
• Van AI- en LLM-fundamenten naar onderzoeksagenten (Urdu-Engels) - Bouw een conceptueel pad van machine learning en NLP naar grote taalmodellen, vooraf getrainde modeltools, prompts en een sluitsteen voor Python-onderzoekers. De reeks wordt gepresenteerd in Urdu-Engelse instructies en moet worden gebruikt als basis voor experimenten, niet als belofte dat een model-API, bibliotheek of gehoste service ongewijzigd zal blijven. Bij opdrachten wordt de nadruk gelegd op het omgaan met bronnen, gestructureerde resultaten en menselijke beoordeling.
• Datavisualisatie: principes, waarneming en visuele codering - Een beginnerscursus in vier lessen over het ontwerpen en lezen van datavisualisaties. Je begint bij het doel van visualisatie en verkent daarna waarnemingsprincipes, visuele hiërarchie en coderingen zoals positie, lengte en kleur. Oefen met het kiezen van een grafiek voor een vraag en vermeld onzekerheid en beperkingen in plaats van een verzorgde afbeelding als bewijs te behandelen.
• AI-afbeeldingen maken: prompts, consistentie en lokale tools - Werk van een visuele opdracht tot een controleerbare beeldworkflow. U vergelijkt generatie- en bewerkingsbenaderingen, oefent de promptstructuur, behoudt karakter- en scènecontinuïteit en test gehoste en lokale opties zonder een bepaalde interface als permanent te behandelen. De cursus legt de nadruk op versierecords, machtigingen, artefactbeoordeling en openbaarmaking voor synthetische media.
• Data-ethiek: privacy, gebruik en verantwoord koppelen - Een praktische introductie in ethische afwegingen gedurende de levenscyclus van gegevens. Je benoemt betrokkenen en doelen, bekijkt verantwoord gebruik en privacy in leeranalyses en onderzoekt hoe het combineren van datasets nieuwe risico's kan opleveren. De cursus biedt een beoordelingskader, geen juridisch advies, en eindigt met een concreet verslag van een gegevensbeslissing.
• AI-videoproductie: van image-to-video tot filmische advertenties - Plan kort AI-videowerk als shots, tests en review-checkpoints. De reeks gaat van text-to-video-prompts via filmische planning, beeldanimatie, image-to-video-experimenten, lokale installatie en probleemoplossing, en een advertentiegeoriënteerd sluitstuk. Duurzame productiegewoonten – instructies, continuïteitsdocumenten, herkomstregistraties, logboeken van defecten en menselijke goedkeuring – blijven nuttig als tools en modellen veranderen.
• AI-automatisering zonder code: bouw en controleer een workflow - Een praktische kennismaking met AI-ondersteunde automatisering voor mensen die niet programmeren. De vier gelicentieerde demonstraties gaan van een beginnersuitleg over n8n naar een eerste AI-automatisering, een voorbeeld met Gmail en een uitgebreide Make.com-masterclass. Oefen alleen met onschadelijke voorbeeldgegevens: interfaces en koppelingen veranderen, en test een automatisering zorgvuldig voordat die echte mensen of gegevens kan beïnvloeden.
• AI-content- en marketingworkflows - Bouw een klein inhoudssysteem in plaats van een stapel tooltips. U oefent met prompt- en contextontwerp, instructies met meerdere uitvoer, begrensde automatisering, concepten in UGC-stijl, mobiele snelkoppelingen, marketingexperimenten en gecontroleerde promptlabs. Elke workflow houdt verificatie, privacy, claimbeoordeling en menselijke goedkeuring zichtbaar, zodat een veranderende product-UI niet de enige bron van waarheid van de cursus wordt.
• Schrijfworkflows met AI: van idee tot herziening - Bouw een herhaalbaar schrijfproces zonder de redactionele verantwoordelijkheid uit handen te geven. De vier Creative Commons-demonstraties behandelen brainstormen met ChatGPT, een gerichte e-mailprompt, een korte les over AI-tekst die beter aansluit bij de doelgroep en revisie met een omgekeerd schema en AI-samenvattingen. Behandel gegenereerde tekst als een bewerkbaar concept: lever zelf gecontroleerde feiten aan, controleer beweringen en toon, en neem zelf de eindbeslissingen.
• AI-systemen voor onderzoek en productiviteit - Ontwerp onderzoeks- en productiviteitsroutines als controleerbare workflows. De lessen behandelen werkruimtemachtigingen, het vastleggen van vergaderingen, geplande onderzoeksagenten, het verzamelen van productsignalen, evaluatie van functies, agentbeveiliging en stemondersteund werk. In plaats van automatische nauwkeurigheid te beloven, vraagt de cursus de leerlingen om brongrenzen te definiëren, de output te controleren, gevoelige informatie te beschermen en een handmatige terugval te behouden.
• Onderzoeksworkflows met AI: vinden, verifiëren, organiseren - Een beginnersroute voor AI-onderzoeksfuncties zonder gegenereerde samenvattingen voor bewijs aan te zien. De video's introduceren AI-deep-research en onderzoekshulpmiddelen, behandelen verificatie van AI-onderzoek en tonen een workflow voor onderzoekslezen in Roam Research. Oefen met een onderzoeksvraag, oorspronkelijke bronnen, brongegevens en expliciete onzekerheid. AI-hulpmiddelen kunnen materiaal weglaten of verkeerd weergeven; de onderzoeker blijft verantwoordelijk voor de controle van belangrijke beweringen.
• Verantwoorde AI: eerlijkheid, uitlegbaarheid, privacy en vertrouwen - Leer hoe u zorgen over verantwoordelijke AI kunt omzetten in concrete beoordelingsvragen en besluitdocumenten. De reeks gaat van ethische scoping en concurrerende definities van eerlijkheid naar het ontwerpen van bias-tests, verklaringslimieten, modellering van privacybedreigingen, vragen over auteursrecht en herkomst, en deepfake-verificatie. Het biedt geen juridisch advies of een universele eerlijkheidsscore; het legt de nadruk op bewijsmateriaal, getroffen mensen, onzekerheid, menselijk toezicht en escalatie.
• Video's maken met AI: plannen, genereren en monteren - Een beginnersintroductie tot een videoproces met AI, van een eenvoudig verhaalidee tot generatie en montage. De geselecteerde video's behandelen AI-animatieverhalen, filmische videogeneratie met AI, een beginnershandleiding voor AI-video en een AI-verhaalworkflow met CapCut. Beschikbaarheid, functies en rechten verschillen per hulpmiddel. Gebruik alleen materiaal waarvoor je toestemming hebt, vermeld synthetische of bewerkte beelden waar passend en controleer de eindvideo op fouten voordat je die deelt.

Veelgestelde vragen

Zijn er gratis cursussen beschikbaar?

Ja, Starter-cursussen en introductielessen voor alle volledige cursussen zijn beschikbaar als gratis voorbeeld. Er is geen creditcard vereist om te beginnen met leren.

Hoe werkt de proefperiode van 7 dagen?

Gebruikers die ervoor in aanmerking komen, krijgen 7 dagen gratis op proef. Daarna wordt het gekozen maand- of jaarabonnement automatisch verlengd totdat u opzegt. Zeg vóór het einde van de proefperiode op om kosten te voorkomen.

Wat is de Academy Pass?

De Academy Pass geeft u onbeperkte toegang tot alle volledige cursussen, premium bronnen en exclusieve opdrachten. Deze is beschikbaar voor $14,99/maand of $149/jaar, met 17% voordeel bij het jaarabonnement, en u kunt op elk moment opzeggen via ons Stripe-factureringsportaal.

Is Academy inbegrepen bij Lumi Pro?

Ja. Als u een actief Lumi Pro-abonnement heeft, is onbeperkte toegang tot de One AI Guide Academy automatisch en zonder extra kosten inbegrepen.

Cursusinhoud met open licentie · CC BY-gelicentieerd · licentie geverifieerd

Alleen cursussen met volledig goedgekeurd licentiebewijs en minstens één geschikte gepubliceerde les staan in deze catalogus.