Modelbeoordeling

Karina beoordeelt drie verschillende Supervised Machine Learning-modellen om frauduleuze banktransacties te detecteren. Karina weet dat een zwak punt van de trainingsgegevens is dat er veel meer voorbeelden van geldige transacties zijn dan van frauduleuze transacties.

Rechts zie je hoe elk model een transactie als frauduleus of geldig voorspelde, vergeleken met hoe vaak de transactie daadwerkelijk frauduleus of geldig was.

Volgens deze gegevens: welk model is het beste en waarom?

Deze oefening maakt deel uit van de cursus

Data Science voor het bedrijfsleven

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Deze oefening maakt deel uit van de cursus

Data Science voor het bedrijfsleven

SkillTag.level.beginnerSkillTag.label

4.8+

Begin gratis met de cursus

We beginnen de cursus met een definitie van wat data science is. We behandelen de data science-werkstroom en hoe data science wordt toegepast op echte zakelijke vraagstukken. We sluiten het hoofdstuk af met manieren om je datateam zo in te richten dat het aansluit bij de behoeften van je organisatie.

Exercise 1: Wat is data science?Exercise 2: Workflow voor klantsegmentatie Exercise 3: Een klantenservice-chatbot bouwen Exercise 4: OKR's verbeteren Exercise 5: Toepassingen van data science Exercise 6: Data science-projecten toewijzen Exercise 7: Investeringsonderzoek Exercise 8: Een data science-team opbouwen Exercise 9: Een teamsprint interpreteren Exercise 10: Een vacaturetekst aanpassen Exercise 11: Vaardigheden koppelen aan functies Exercise 12: Datataken classificeren

Nu we de data science-werkstroom begrijpen, duiken we dieper in de eerste stap: dataverzameling. We leren over de verschillende databronnen waar je bedrijf uit kan putten en hoe je die data opslaat zodra ze verzameld zijn.

Exercise 1: Databronnen en risico's Exercise 2: Gegevens classificeren voor veiligheid Exercise 3: Webdata-events aanmaken Exercise 4: PII beschermen Exercise 5: Gevraagde data Exercise 6: Het doel van vragen bepalen Exercise 7: Feedback van de focusgroep valideren Exercise 8: Net Promoter Score Exercise 9: Aanvullende gegevens verzamelen Exercise 10: Gegevensbronnen ordenen Exercise 11: Frequentie van astma Exercise 12: Gegevens opslaan en ophalen Exercise 13: Cloudplatformen Exercise 14: Een database bevragen Exercise 15: Welk type database?

In dit hoofdstuk bespreken we manieren om data te verkennen en te visualiseren met dashboards. We gaan in op de onderdelen van een dashboard en hoe je een gerichte aanvraag voor een dashboard doet. Ook behandelen we ad-hocdata-aanvragen en A/B-testen, een krachtig analysetool dat helpt risico’s in besluitvorming te verkleinen.

Exercise 1: Dashboards Exercise 2: Dashboardelementen classificeren Exercise 3: Een dashboard verbeteren Exercise 4: Het juiste dashboard kiezen Exercise 5: Ad-hocanalyse Exercise 6: Een ad-hocverzoek invullen Exercise 7: Verzoeken classificeren Exercise 8: A/B-testen Exercise 9: Een A/B-testworkflow opzetten Exercise 10: Steekproefgrootte Exercise 11: Tussenresultaten

In dit laatste hoofdstuk bespreken we het meest besproken onderwerp binnen data science: machine learning! We behandelen supervised en unsupervised machine learning en clusteren. Daarna gaan we in op speciale onderwerpen binnen machine learning, waaronder tijdreeksvoorspellingen, Natural Language Processing, deep learning en explainable AI!

Exercise 1: Supervised Machine Learning Exercise 2: Wanneer gebruik je Supervised Learning Exercise 3: Features en labels Exercise 4: Modelbeoordeling

Huidige oefening

Exercise 5: Clustering Exercise 6: Supervised vs. Unsupervised Exercise 7: Aantal clusters kiezen Exercise 8: Speciale onderwerpen in Machine Learning Exercise 9: Machine-learningtaken classificeren Exercise 10: Sentimentanalyse Exercise 11: Deep Learning en Explainable AI Exercise 12: De juiste oplossing vinden Exercise 13: Moet ik Deep Learning gebruiken?