Machine learning is used in many different industries and fields. It can fundamentally improve the business if applied correctly. This chapter outlines machine learning use cases, job roles and how they fit in the data needs pyramid.

Machine learning and data pyramid

Terminology clarification

Order data pyramid needs

Match tasks in data pyramid

Machine learning principles

Modeling types

Find supervised and unsupervised cases

Job roles, tools and technologies

Job role responsibilities

Match data projects with job roles

Team structure types

Machine learning and data use cases

This chapter overviews different machine learning types. We will look into differences between causal and prediction models, explore supervised and unsupervised learning, and finally understand the sub-types of supervised learning: classification and regression. 

Prediction vs. inference dilemma

Inference and prediction differences

Identify inference vs. prediction use cases

Inference (causal) models

Experiments and causal models

Identify non actionable variables

Prediction models (supervised learning)

Supervised modeling principles

Identify classification and regression models

Prediction models (unsupervised learning)

Unsupervised modeling use cases

Classification, regression or unsupervised models

Machine learning types

This chapter reviews key steps in scoping out business requirements, identifying and sizing machine learning opportunities, assessing the model performance, and identifying any performance risks in the process.

Business requirements

Uitspraken

Business situation

Business opportunity

Business action

Herken situation, opportunity en action

Succesvolle experimenten herkennen

Modeltraining

Trainingsproces van het model

ML-taken

Training

Test

Training, validatie en test

Modelprestatie meten

Voorbeelden van slechte prestaties

Opties

Precision

Recall

Error

Kies de prestatiemaatstaf

Risico’s van Machine Learning

Niet-presterende modellen repareren

Niet-actiegerichte modellen

Actiegerichte aanbevelingen identificeren

Business requirements and model design

This chapter will look into the best and worst practices of managing machine learning projects. We will identify most common machine learning mistakes, learn how to manage communication between the business and ML teams and finally address the challenges when deploying machine learning models to production.

Machine learning mistakes

Identify machine learning mistakes

Data needs pyramid

Match ML mistakes by their types

Communication management

Business communication focus

Market testing

Machine learning in production

Production systems

Production systems ML use cases

ML in production launch

Wrap-up

Managing machine learning projects

Deze cursus introduceert de belangrijkste elementen van Machine Learning voor businessleiders. We focussen op kerninzichten en basispraktijken om zakelijke vragen te vertalen naar modelleerprojecten met Machine Learning-teams. Je leert de verschillende soorten modellen kennen, welke zakelijke vragen ze helpen beantwoorden en welke kansen ze kunnen blootleggen. Ook leer je situaties herkennen waarin je géén Machine Learning moet toepassen, wat net zo belangrijk is. Je begrijpt het verschil tussen inferentie en voorspelling, het voorspellen van kansen en bedragen, en hoe unsupervised learning kan helpen bij het opzetten van een betekenisvolle klantsegmentatiestrategie.

<h2> Leer de basis van machine learning </h2>
<br>
Deze cursus laat bedrijfsleiders kennismaken met de belangrijkste dingen van machine learning. We gaan ons richten op de belangrijkste inzichten en basisprincipes voor het structureren van zakelijke vragen als modelleringsprojecten met de machine learning-teams. 
<br><br>
<h2> Duik in de details van het model </h2>
<br>
Je leert de verschillende soorten modellen kennen, welke zakelijke vragen ze helpen beantwoorden of welke kansen ze kunnen blootleggen. Ook leer je situaties herkennen waarin machine learning NIET moet worden toegepast, wat net zo belangrijk is. Je leert het verschil tussen conclusies trekken en voorspellingen doen, kansen en bedragen voorspellen, en hoe je met onbegeleid leren een goede strategie voor klantsegmentatie kunt maken.

Begrijp de basis van Machine Learning en de toepassing ervan in de zakenwereld.

Machine Learning voor Business

Begrijp de basis van machine learning en hoe het in het bedrijfsleven wordt gebruikt.

Datawetenschapper in Python

Datawetenschapper in R

Het bedrijf ziet dat het doorklikpercentage van promotie-e-mails veel lager is geworden.

Het aantal verzoeken aan de klantenservice is met meer dan 300% gestegen, waardoor de reactietijd oploopt en meer escalaties ontstaan.

Verhoog de betrokkenheid en het doorklikpercentage van e-mails van 2,5% naar het eerdere niveau van 5%.

Breng de reactietijd op klantverzoeken terug naar het eerdere niveau en bij voorkeur nog lager.

Voer een reeks A/B-tests uit waarbij je klanten target met relevante e-mailinhoud op basis van door Machine Learning voorspelde productinteresse.

Bouw een Machine Learning-oplossing die klantverzoeken begeleidt met stapsgewijze automatisering van chat- en belprocessen.

Herken situation, opportunity en action

Machine Learning voor Business

Praktische interactieve oefening