Training: CRISP-DM
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.
Onderwerpen die aan bod komen:
- Introductie, motivatie en overzicht CRISP-DM
- Data mining als gestructureerd proces met alle daarbij behorende fases: Business Understanding, Data Understanding, Data Preparation, Modelling, Evaluation en Deployment
Programma:
- 09:00 Welkom
- 09:15 Ochtend programma
- 12:30 Lunch
- 13:30 Middag programma
- 16:30 Afsluiting
- 17:00 Einde training
Doelgroep:
- Je hebt nog weinig ervaring met data science in de praktijk
- Je wilt weten hoe je een concrete business vraag omzet naar een data analyse vraagstuk
- Je wilt graag weten hoe je een data project gestructureerd aan kan pakken
- Je begrijpt dat data science meer is dan alleen interessante wiskunde
De trainers van Bredius DataLab zijn echte specialisten met veel praktijkervaring. Maak kennis met het Bredius DataLab team.
Neem contact op voor een in-company training bij u op locatie (minimaal 6 deelnemers).
Onderdeel leerlijn
CRISP-DM
- 1 Dag
- 725 Euro
Praktische en interactieve trainingen
Op locatie en in kleine groepen
Trainers met jarenlange ervaring
Geen beeldscherm training, maar live met trainer
Gerelateerde trainingen
Bekijk ook onze andere trainingen.
Training: Modelling
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...
Training: Data analyse adhv CRISP-DM
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.
Training: Spark essentials
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...
Training: Feature engineering
Introductie, motivatie en overzicht van Feature Engineering mogelijkheden. Onderwerpen die aan bod zullen komen zijn onder andere PCA, Fourier transform.
Training: Regressie
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...
Training: Deployment
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...
Training: Samenwerken aan modellen
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...
Training: CRISP-DM
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...
Training: Data analyse elektromotor
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...
