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

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-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

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 team heeft de databronnen onderzocht: de systemen leggen de data niet correct vast en kunnen niet worden gebruikt om het model te bouwen.

Het team heeft klantgegevens beoordeeld: bij 3% van de klanten zijn gegevens vastgelegd in een gestructureerd formaat, de rest staat in back-endsystemen.

Het team heeft 2 maanden besteed aan het bouwen van het prototypemodel. Ze hebben nog 8 maanden nodig om het te perfectioneren voordat ze de A/B-test in de markt draaien.

Het model is in de markt getest en liet geen resultaten zien; het team zegt dat ze nog 6 maanden nodig hebben om het algoritme van het model te perfectioneren.

Het team zei dat ze alle mogelijke data gaan gebruiken voor het inferentiemodel en dat ze geen input van het business-team nodig hebben.

Het team wil alle mogelijke data verzamelen voordat het een prototype bouwt. Ze hebben 8 maanden nodig om data uit alle verschillende bronnen te aggregeren.

Koppel ML-fouten aan hun type

Machine Learning voor Business

Praktische interactieve oefening