Essentials of predictive analytics - incompany training

Voorspellen met modellen: AI en machine learning in de praktijk

Deze cursus introduceert op een efficiënte manier de essentiële data science vaardigheden die nodig zijn voor het ontwikkelen en gebruiken van adequate voorspellingsmodellen voor besluitvorming op basis van kwantitatieve gegevens.

Enerzijds worden de principes van veelgebruikte methoden voor regressie, classificatie en detectie van gegevensclusters besproken, met speciale aandacht voor de gevolgen van big data invloeden. Anderzijds wordt aan de hand van concrete voorbeelden geïllustreerd hoe modellen te valideren, te vergelijken en te gebruiken zijn.

Uniek is dat deelnemers tijdens de cursus ervaring opdoen in het visueel programmeren van data workflows, waarmee model-fit, -validatie en -vergelijk eenvoudig in de praktijk uit te voeren zijn.

Voorspellingsmodellen toepassen voor besluitvorming

Na afloop van deze cursus:

Heb je een overzicht over actuele methoden voor predictive modeling, zoals die beschikbaar zijn binnen de gebieden van statistiek, kunstmatige intelligentie en machine learning.
Kun je zelf, in standaard situaties, dergelijke modellen ontwikkelen, daarbij gebruik makend van software, zoals bijvoorbeeld IBM-Modeler, SAS-Enterprise Guide en Enterprise Miner of Orange om data workflows visueel te programmeren.
Heb je praktische ervaring opgedaan met het valideren, interpreteren en vergelijken van alternatieve modellen en het gebruik ervan bij beslissingsondersteuningen.

Bedoeld voor

Academici en hbo’ers die betrokken zijn bij de analyse van kwantitatieve gegevens en het gebruik van beslissingsondersteuningsmodellen, zoals medewerkers en managers die de kwaliteit van ontwikkelde modellen willen beoordelen en vergelijken en/of die deze processen beheersen en aansturen. De cursus is ook geschikt voor docenten van universiteiten of hogescholen die geïnformeerd willen worden over ontwikkelingen op het gebied van data science, data mining en data analytics.

In overleg met de deelnemers kan deze cursus in het Nederlands of Engels worden gehouden.

Bekijk ook het overzicht van alle data-analyse en statistiek cursussen.
Benieuwd naar de achtergrond van cursusleider Koo Rijpkema en zijn kijk op het belang van data in de wereld van techniek? Lees het interview!

Informatie

Taal
Dit programma kan op verzoek in het Engels worden gegeven.
Programma
Tijdens de cursus worden praktijkvoorbeelden en opdrachten besproken. Deelnemers doen ervaring op met het gebruik van de vrij beschikbare source software Orange voor het visueel programmeren van data analyse workflows en het interactief valideren en vergelijken van model.

Onderwerpen:
- Introductie op cursus, software en case-study.
- Uitgangspunten voor predictive analytics:
  - Data pre-processing & data reduction, over-fitting and model tuning, resampling methods & regularization.
- Voorspellingsmodellen in de praktijk:
  - Overzicht van veelgebruikte voorspellingsmethoden, zoals lineaire regressie, neurale netwerken, regression trees en nearest neighbor algoritmes.
  - Selectie, validatie en gebruik van voorspellings modellen.
- Classificatie modellen in de praktijk:
  - Overzicht van veelgebruikte classificatie methoden, zoals logistische regressie, neurale netwerken, classification trees, Support Vector Machines en nearest neighbor algoritmes.
  - Selectie, validatie en gebruik van classificatie modellen.
- Cluster- en segmentatie modellen in de praktijk:
  - Overzicht van veelgebruikte cluster en segmentatie methoden, zoals hierarchische, k-Means en Louvain clustering.
  - Selectie, validatie en gebruik van cluster- en segmentatiemodellen.
- Epiloog: terugblik, trends en volgende stappen.