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 en de datapiramide

Termen verduidelijken

Databehoeftenpiramide

Orden behoeften van de datapiramide

Opties

Machine Learning in productie

Prototypen & ML testen

Analyse

Koppel taken aan de data-piramide

Machine learning-principes

Soorten modellen

Machine Learning-use-cases

Supervised Machine Learning

Unsupervised Machine Learning

Vind supervised- en unsupervised-cases

Functierollen, tools en technologieën

Verantwoordelijkheden per functie

Analytics-roadmapitems

Data-analist

Data Scientist

Machine Learning Engineer

Koppel dataprojecten aan functierollen

Structuren voor data-organisaties

Gecentraliseerd

Gedecentraliseerd

Hybride

Soorten teamstructuren

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

Identify situation, opportunity and action

Identify successful experiments

Model training

Model training process

Training, validation and test

Model performance measurement

Poor performance examples

Identify performance metrics

Machine learning risks

Fixing non performing models

Non-actionable models

Identify actionable recommendations

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

Bouw een geautomatiseerd risicoscoremodel in een elektronisch banksysteem.

Implementeer een Machine Learning-model dat klantenaankopen voorspelt in het CRM-systeem van het bedrijf.

Bouw een eenvoudig churn-voorspellingsmodel en werk met het marketingteam om te testen of risicoklanten behouden kunnen worden met bepaalde incentives.

Voer een A/B-test uit met drie verschillende e-mailsjablonen om klantbetrokkenheid te vergelijken en de meest effectieve versie te kiezen.

Bouw een wekelijks dashboard van klantenaankopen, uitgesplitst naar regio en producttype.

Analyseer klanttrends door te kijken naar meer gedetailleerde datapunten op cohortniveau en een reeks vergelijkende grafieken.

Koppel taken aan de data-piramide

Machine Learning voor Business

Praktische interactieve oefening