Werkplaats / Bouwprojecten
In jouw eigen tempo
HIER KOMT HET SAMEN

Maak er iets van.

Van losse inzichten naar iets dat werkt. Bouw in een notebook, voer je code uit en bewijs dat je aanpak klopt.

01 · Leg de twee datasets vast02 · Leer en bewaar alle keuzes03 · Transformeer met een vast contract→ 4 cellen · 4 checkpoints
Data · 90 MINUTEN

Bouw een herbruikbare data-pipeline

Combineer imputatie, standaardisatie en categorieën; controleer onbekende invoer en maak de transformatie zichtbaar.

01 · Maak de vergelijking reproduceerbaar02 · Bouw de eerste deelnemer zelf03 · Laat de bibliotheek dezelfde vraag beantwoorden→ 4 cellen · 4 checkpoints
Klassieke machine learning · 110 MINUTEN

Je eigen regressie naast scikit-learn

Train twee echte modellen, vergelijk ze op onbekende voorbeelden en teken hun voorspellingen.

01 · Maak herhaalbare driedimensionale punten02 · Leer een kleinere representatie03 · Fit k-means met meerdere starts→ 4 cellen · 4 checkpoints
Klassieke machine learning · 110 MINUTEN

Onderzoek een puntenwolk met PCA en k-means

Maak driedimensionale data, leer een projectie, train echte clusters en vergelijk hun scheiding.

01 · Begin met voorbeelden02 · Bouw je voorspeller03 · Laat het model leren→ 4 cellen · 3 checkpoints
Neurale netwerken · 100 MINUTEN

Train je eerste model

Een volledig notebook: van vijf meetpunten naar een model dat zelf zijn gewicht en bias leert.

01 · Bouw de voorwaartse scalar-operaties02 · Bouw de gedeelde terugweg03 · Verbind twee inputs, vier tanh-neuronen en één uitgang→ 4 cellen · 4 checkpoints
Neurale netwerken · 160 MINUTEN

Train XOR met je eigen autograd-engine

Combineer eigen scalar-operaties, een gedeelde rekengraaf en reverse-mode tot een trainbaar netwerk met zeventien parameters.

01 · Laad, splits en bekijk echte cijfers02 · Initialiseer en bereken stabiele kansen03 · Bereken alle vier parametergradiënten→ 5 cellen · 5 checkpoints
Neurale netwerken · 75 MINUTEN

Bouw en train een MLP op MNIST

Train een eigen NumPy-netwerk op echte cijferafbeeldingen, kies het model met validatie en meet daarna de apart gehouden testset.

01 · Maak lokale patches en initialiseer de gewichten02 · Van gedeelde filters via pooling naar kansen03 · Train ook de filters, via de gekozen poolingroutes→ 5 cellen · 5 checkpoints
Deep learning · 90 MINUTEN

Leer cijferpatronen met je eigen CNN

Train vier convolutiefilters en een classifier, met eigen backprop door ReLU en maxpooling, op echte MNIST-beelden.

01 · Maak de twee bouwstenen en inspecteer het corpus02 · Leer alleen uit de trainingsdocumenten03 · Implementeer de vaste tokenwoordenschat en roundtrip→ 5 cellen · 5 checkpoints
Taalmodellen · 90 MINUTEN

Bouw en bewaar je eigen Nederlandse tokenizer

Train een echte byte-BPE, bewaar hem in JSON en meet tokenlengtes en exacte Unicode-roundtrips op aparte tekst.

01 · Maak een model met vaste, controleerbare vormen02 · Voorspel op alle posities tegelijk met een causaal masker03 · Verbind de terugweg aan embeddings en alle modelparameters→ 6 cellen · 6 checkpoints
Taalmodellen · 150 MINUTEN

Train een mini-GPT dat zelf tekst vervolgt

Bouw een echt decoder-only taalmodel met eigen NumPy-backprop, train 6.629 parameters en genereer tekst uit een klein Nederlands oefencorpus.

01 · Bevries gevallen, bron-ID en categorie02 · Maak ongeldige uitvoer tot een meetbaar resultaat03 · Geef de voorspeller alleen de invoertekst→ 5 cellen · 5 checkpoints
Werken met LLM’s · 120 MINUTEN

Bouw een evaluatieharnas met een echte eindtest

Valideer gevallen, tel uitvoerfouten, kies uitsluitend op ontwikkeling en teken echte testresultaten per categorie.

01 · Bouw een index van ongewijzigde eigen bronnen02 · Zoek met letterlijke woorden en een zichtbare aliaskeuze03 · Geef alleen een controleerbare passage terug→ 5 cellen · 5 checkpoints
RAG · 120 MINUTEN

Bouw je eigen zoekende antwoordgever

Van zes fictieve bronnen naar een eigen index, begrensde context, controleerbare citaten en een eerlijke eindtest.

01 · Leg de fictieve offerte vast02 · Laat de host de echte controle uitvoeren03 · Laat waarnemingen de volgende stap kiezen→ 5 cellen · 5 checkpoints
Agents en MCP · 150 MINUTEN

Bouw een agent voor een fictieve offerte

Verbind eigen tools, gecontroleerde toestemming en een begrensde agentlus; vergelijk de stoptekst met echte ticketmutaties.

01 · Reserveer een request02 · Bewaak de serverfase03 · Controleer het ontvangen antwoord→ 5 cellen · 5 checkpoints
Agents en MCP · 180 MINUTEN

Bouw een MCP-client en server die fouten aankunnen

Verbind eigen client- en serverstappen via echte begrensde pakketqueues; meet succes, weigering, annulering en verbindingsfouten.

01 · Maak controleerbare trainingspunten02 · Train de ruisvoorspeller03 · Genereer vanuit nieuwe ruis→ 5 cellen · 5 checkpoints
Multimodaal & generatief · 150 MINUTEN

Train en toets een eigen diffusiegenerator

Verbind synthetische data, echte Adamupdates, generatie en verdelingsdiagnostiek in vijf notebookcellen.

01 · Trek audio en transcriptie02 · Train met echte CTC-gradiënten03 · Voorspel vanuit audio→ 5 cellen · 5 checkpoints
Multimodaal & generatief · 180 MINUTEN

Train en toets een eigen CTC-framehoofd

Verbind zelfgemaakte toonachtige audio, spectrale kenmerken, echte CTC-training en eerlijke evaluatie.