Aperçu du cours
Trainingsdoelstelling: Aan het einde van de training zullen de deelnemers in staat zijn om gegevens te analyseren met behulp van de programmeertaal R.
Prérequis
- Sterke kennis van wiskunde: algebra, waarschijnlijkheidsrekening, statistiek
- Goede basis in IT: algoritmiek, logica
Fonctionnalités
- Inzicht krijgen in de verschillen tussen Data Mining en Data Science
- Het functioneren van Machine Learning in een supervised learning-context begrijpen
- Geavanceerde technieken en concepten van de programmeertaal R beheersen
- Onbegeleide Machine Learning-algoritmen implementeren met R
Public ciblé
- Dataminers
- Data Scientists
Détails
- 6 Sections
- 39 Lessons
- 15 Hours
Expand all sectionsCollapse all sections
- Inleiding tot Data Mining & Machine Learning5
- Supervised Machine Learning: Regressie8
- 2.1Eenvoudige lineaire regressie
- 2.2Praktijkvoorbeeld: uitleggen en voorspellen van huurprijzen op basis van woningkenmerken en voorzieningen
- 2.3Meervoudige lineaire regressie
- 2.4Praktijkvoorbeeld: voorspellen van de ozonconcentratie op basis van meteorologische parameters of CO₂-uitstoot voorspellen op basis van voertuigkenmerken
- 2.5Generalisaties en niet-lineariteit
- 2.6Beslissingsbomen voor regressie
- 2.7Random Forest voor regressie
- 2.8Praktijkvoorbeeld: detectie van prostaatkanker bij patiënten of klantverloop naar concurrenten voorspellen
- Supervised Machine Learning: Classificatie12
- 3.1Logistische regressie
- 3.2Praktijkvoorbeeld: uitleggen en voorspellen van borstkankerincidentie
- 3.3Discriminantanalyse
- 3.4Praktijkvoorbeeld: voorspellen van het type wijn op basis van chemische eigenschappen
- 3.5K-meest nabije buren (K-NN)
- 3.6Praktijkvoorbeeld: klantprofilering in de banksector – hoe identificeer je risicovolle profielen?
- 3.7Bayesiaanse vernieuwing
- 3.8Naïeve Bayes-classificatie
- 3.9Praktijkvoorbeeld: klantverloop voorspellen of spam-e-mails detecteren
- 3.10Support Vector Machines (SVM)
- 3.11Praktijkvoorbeeld: klantverloop voorspellen
- 3.12Neurale netwerken
- Gevorderde onderwerpen6
- Unsupervised Machine Learning3
- Dimensiereductie5
- 6.1Principale Componenten Analyse (PCA)
- 6.2Praktijkvoorbeeld: typering van atleten op basis van hun prestaties op de Olympische Spelen
- 6.3Correspondentieanalyse (CA)
- 6.4Meervoudige correspondentieanalyse (MCA)
- 6.5Praktijkvoorbeeld: verdeling van huishoudelijke taken of studie naar sportvoorzieningen in Franse gemeenten
Instructeur
