Machine Learning wordt in veel verschillende sectoren en vakgebieden gebruikt. Als het goed wordt toegepast, kan het het bedrijf fundamenteel verbeteren. Dit hoofdstuk schetst gebruikscases voor Machine Learning, functierollen en hoe die passen in de databehoeftepiramide.

Machine learning en de datapiramide

Termen verduidelijken

Orden behoeften van de datapiramide

Koppel taken aan de data-piramide

Machine learning-principes

Soorten modellen

Vind supervised- en unsupervised-cases

Functierollen, tools en technologieën

Verantwoordelijkheden per functie

Koppel dataprojecten aan functierollen

Soorten teamstructuren

Machine Learning en datagebruikscases

Dit hoofdstuk geeft een overzicht van verschillende typen Machine Learning. We bekijken de verschillen tussen causale en voorspellende modellen, verkennen supervised en unsupervised learning en begrijpen tot slot de subtypen van supervised learning: classificatie en regressie.

Het dilemma tussen voorspelling en inferentie

Verschillen tussen inference en prediction

Gebruikssituaties voor inference vs. prediction herkennen

Inferentie (causale) modellen

Experimenten en causale modellen

Niet-actiegerichte variabelen identificeren

Voorspellende modellen (supervised learning)

Principes van supervised modelleren

Classificatie- en regressiemodellen herkennen

Predictiemodellen (unsupervised learning)

Toepassingen van unsupervised modeling

Classificatie, regressie of unsupervised-modellen

Typen Machine Learning

Dit hoofdstuk behandelt de belangrijkste stappen om zakelijke vereisten af te bakenen, Machine Learning-kansen te identificeren en te schatten, de modelprestaties te beoordelen en eventuele prestatierisico’s in het proces te identificeren.

Business requirements

Herken situation, opportunity en action

Succesvolle experimenten herkennen

Modeltraining

Trainingsproces van het model

Training, validatie en test

Modelprestatie meten

Voorbeelden van slechte prestaties

Kies de prestatiemaatstaf

Risico’s van Machine Learning

Niet-presterende modellen repareren

Niet-actiegerichte modellen

Actiegerichte aanbevelingen identificeren

Zakelijke vereisten en modelontwerp

Dit hoofdstuk gaat in op best en worst practices voor het managen van Machine Learning-projecten. We benoemen de meest voorkomende fouten in Machine Learning, leren hoe je de communicatie tussen de business en ML-teams managet en pakken tot slot de uitdagingen aan bij het uitrollen van Machine Learning-modellen naar productie.

Machine learning-fouten

Herken machine learning-fouten

Piramide van databehoeften

Opties

Niet genoeg data

Laat testen, geen impact

Featureselectie

Koppel ML-fouten aan hun type

Communicatiemanagement

Focus op zakelijke communicatie

Proces voor ML-markttesten

Markttesten

Machine learning in productie

Productiesystemen

Machine Learning-usecases in productie

Customer relationship management

Fraudepreventiesysteem

Autonome auto

ML-usecases voor productiesystemen

Data Science-proces

ML in productie lanceren

Afronding

Machine Learning-projecten managen

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.

Afronding

Create Your Free Account