Modelbeoordeling

Karina beoordeelt drie verschillende supervised machine learning-modellen om frauduleuze banktransacties te detecteren. Karina weet dat een zwakte van de trainingsdata is dat er veel meer voorbeelden van geldige transacties zijn dan van frauduleuze transacties.

Hieronder zie je per model hoe vaak het voorspelde dat een transactie frauduleus of geldig was, vergeleken met hoe vaak de transactie daadwerkelijk frauduleus of geldig was:

Model Evaluation

Welk model is volgens deze gegevens het beste in het detecteren van zowel frauduleuze als geldige transacties, en waarom?

Deze oefening maakt deel uit van de cursus

Data Science begrijpen

Cursus bekijken

Praktische interactieve oefening

Zet theorie om in actie met een van onze interactieve oefeningen.

Begin met trainen

Deze oefening maakt deel uit van de cursus

Data Science begrijpen

SkillTag.level.beginnerSkillTag.label

4.8+

6078 reviews

Begin de cursus gratis

We beginnen de cursus met een definitie van data science. We behandelen de data science-workflow en hoe data science wordt toegepast op problemen uit de praktijk. We sluiten het hoofdstuk af met een overzicht van verschillende rollen binnen het data science-veld.

Exercise 1: Wat is data science?Exercise 2: Data science overal!Exercise 3: Belang van data science Exercise 4: Toepassingen van data science Exercise 5: Dagelijkse dosis data science Exercise 6: De wetenschap achter slimme assistenten Exercise 7: Rollen en tools in data science Exercise 8: De juiste kandidaat kiezen Exercise 9: De rol van een data scientist

Nu we de data science-workflow begrijpen, duiken we dieper in de eerste stap: dataverzameling en -opslag. We leren over de verschillende databronnen waar je uit kunt putten, hoe die data eruitziet, hoe je de data opslaat zodra die is verzameld, en hoe een datapijplijn het proces kan automatiseren.

Exercise 1: Gegevensbronnen Exercise 2: Gegevensbronnen sorteren Exercise 3: Astma-frequentie Exercise 4: Datatypen Exercise 5: Gegevenstypen classificeren Exercise 6: Net promoter score Exercise 7: Activity tracker Exercise 8: Gegevensopslag en -opvraging Exercise 9: Cloudplatforms Exercise 10: Een database bevragen Exercise 11: Welk type database?Exercise 12: Datapijplijnen Exercise 13: Kenmerken van een datapijplijn Exercise 14: Extract Transform Load

Datavoorbereiding is essentieel: data scientists besteden 80% van hun tijd aan het opschonen en bewerken van data, en slechts 20% aan het daadwerkelijk analyseren ervan. In dit hoofdstuk leer je problemen in je data herkennen en omgaan met missende waarden en uitschieters. Daarna ga je aan de slag met visualisatie, een onmisbaar hulpmiddel om je data te verkennen én je bevindingen duidelijk over te brengen.

Exercise 1: Datavoorbereiding Exercise 2: The truth is out there Exercise 3: Ben je voorbereid?Exercise 4: Verkennende data-analyse Exercise 5: Numerieke EDA Exercise 6: Visuele EDA Exercise 7: Visualisatie Exercise 8: Interactieve dashboards Exercise 9: Een dashboard verbeteren

In dit laatste hoofdstuk bespreken we experimenteren en voorspellen! We beginnen met experimenten en behandelen A/B-testen. Daarna gaan we naar tijdreeksvoorspellingen, waar we leren hoe je toekomstige gebeurtenissen kunt voorspellen. Tot slot eindigen we met Machine Learning en kijken we naar supervised learning en clustering.

Exercise 1: A/B-testen Exercise 2: Een A/B-testworkflow opzetten Exercise 3: Statistische significantie Exercise 4: Tussenresultaten Exercise 5: Voorspellen met tijdreeksen Exercise 6: Tijdreeksgegevens classificeren Exercise 7: Interpreteer een tijdreeksgrafiek Exercise 8: Supervised machine learning Exercise 9: Wanneer gebruik je supervised learning Exercise 10: Features en labels Exercise 11: Modelbeoordeling

Huidige oefening

Exercise 12: Clustering Exercise 13: Supervised vs. Unsupervised Exercise 14: Juiste clusteraantal kiezen Exercise 15: Gefeliciteerd!