Analytics

In de kern draait data science om het creëren van een model. Maar wat is een model eigenlijk precies? Wat voor typen modellen zijn er en hoe zet je zo’n model op? Wat is bias en variantie? In deze training komen zowel fundamentele vragen als toepasbare modellen aan de orde en zullen we de mystiek rondom modellen trachten weg te nemen.

Introductie in Spark, waarom zou je het gebruiken en vooral wanneer. Voor degenen die bekend zijn met bijvoorbeeld Python is beginnen met Spark redelijk recht toe recht aan. Tijdens de training zetten we een volgende stap. Hoe haal je nu echt meer uit Spark, waar moet je bij stil gestaan bij het ontwikkelen / werken in Spark.

Introductie, motivatie en overzicht van alle werkzaamheden die komen kijken bij data analyse, waarbij uit wordt gegaan van CRISP-DM methodologie. Alle fases komen aan bod: Business Understanding, Data Understanding, Data Preparation, Modelling, Evaluation en Deployment.

Introductie, motivatie en overzicht van Feature Engineering mogelijkheden. Onderwerpen die aan bod zullen komen zijn onder andere PCA, Fourier transform.

De moeder aller regressie methodes is lineaire regressie op basis van kleinste kwadraten. Maar daarnaast zijn er nog vele andere regressie methodes beschikbaar, denk aan logistische regressie, maar ook lasso regressie, ridge regressie, etc. In deze training beginnen we bij de basis en gaan we aan de hand van tal van voorbeelden op weg naar de meer geavanceerde regressie methodes zoals de algoritmes achter XGBoost en hoe dat te gebruiken.

Aan een model alleen heb je niets als het niet daadwerkelijk gebruikt wordt. De stap van een goed presterend model naar implementatie van het model heeft nog heel wat
voeten in de aarde en is totaal anders dan het ontwerpen van een model.
Er moet nagedacht hoe je het wilt implementeren, wat voor soort implementatie er nodig is om de business vraag op te lossen.
Als er dan eenmaal duidelijkheid is hoe het er van gebruikerskant uit moet zien moet de technische kant nog ontworpen worden, ga je een uitgebreide tooling gebruiken of volstaat een veel simpelere tooling?
Wat zijn de kosten die er mee gemoeid zijn. Kun je de implementatie ook nog kosten efficiënt maken? In deze training zullen verschillende opties aan
bod komen en zullen we gaan kijken hoe je tot een goed onderbouwde keus kan komen.

In het onderzoek naar een ideaal model worden vele stappen gezet, maar de ervaring leert dat ook vaak veel stappen meerdere keren worden uitgevoerd. Hoe kun je ervoor zorgen dat je optimaal gebruik maakt van alle stappen die door andere teamleden al gezet zijn, hoe zorg je dat al je ‘onderzoek’ code ook bruikbaar is voor je team genoten. Hoe zorg je ervoor dat je niet allebei hetzelfde onderzoekt, zonder de individuele creativiteit te verliezen. We geven tips en tricks én gaan hiermee aan de slag.

Data wordt vaak omschreven als “het nieuwe goud” en daar valt veel voor te zeggen. Dat betekent niet dat data direct goud is, maar hetis een grondstof zijn om potentieel waardevolle dingen mee te maken. Datamining is het proces van waardevolle informatie halen uit data. CRISP-DM is een beproefde methode om het datamining proces gestructureerd te doorlopen met een continue focus op een vooraf besproken concreet resultaat. Deze training geeft een overzicht van de methode en motiveert iedere stap aan de hand van aansprekende voorbeelden uit de praktijk.

Bij Predictive Maintenance denkt men vaak automatisch aan trillingsanalyse. De motorstroom bevat echter ook een schat aan informatie. Hoe kun je dit signaal inzetten om faalvormen te vinden in de elektromotor of drive train? Deze training geeft een introductie tot de techniek van Motor Current Signature Analysis en zijn mogelijkheden.

Introductie van een deelgebied van data understanding, namelijk data exploratie m.b.v. statistieken en een variëteit aan grafische data visualisatie technieken, denk aan correlatie, boxplots, qq-plots, parallelle coördinaten plots, etc.