November December Jan Meskens / Onderzoek
|
|
- Adam van den Brink
- 8 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Jan Meskens / Onderzoek 1
2 Wat is "Predictive Analytics"? Historische en/of huidige data Voorspellingen over de toekomst 2
3 Toepassing: fraudebestrijding Opsporen fraude met aanrijdingsformulieren [SAS] 3
4 Toepassing: marketing Gepersonaliseerde reclamefolder [Colruyt] 4
5 Toepassing: ehealth intensieve zorgen Nierfalen binnen de 3 dagen? Kans op ontsteking? Hoe lang op de afdeling blijven? UZ Gasthuisberg [Ramon et al.] 5
6 Toepassing: landbouw Slacht de dieren die volgend jaar het minste melk zullen geven [Witten et al.] 6
7 In deze infosessie Deel 1 Wat is predictive analytics? Courante predictieve modellen Toepassingen van deze modellen Deel 2 Predictive analytics tools Predictive analytics cases Wat hebben we geleerd? 7
8 In deze infosessie Deel 1 Wat is predictive analytics? Courante predictieve modellen Toepassingen van deze modellen Deel 2 Predictive analytics tools Predictive analytics cases Wat hebben we geleerd? 8
9 Data warehouse Database Descriptive analytics Machine learning Statistics AI Predictive analytics Data mining 9
10 Data Mining Descriptive analytics Predictive analytics Data Statistiek, Database & DW, Machine learning & AI 10
11 Data Mining Descriptive analytics Predictive analytics Data Statistiek, Database & DW, Machine learning & AI 11
12 Descriptive analytics: verklaar het verleden Taart diagram & histogram Kolom diagram 12
13 Descriptive analytics: verklaar het verleden Line chart Gemiddelde, ANOVA, t-test, standaard afwijking, Scatter plot matrix Beschrijvende statistiek 13
14 Data Mining Descriptive analytics Predictive analytics Data Statistiek, Database & DW, Machine learning & AI 14
15 Predictive analytics: voorspel de toekomst Typische dataset: X 1 X 2 X 3 X 4 X 5 Y Onafhankelijke variabele(n) (Predictor variabelen(n)) Afhankelijke variabele(n) (Target variabele(n)) 15
16 Predictive analytics: voorspel de toekomst Fraude met aanrijdingsformulieren: Datum Schad e Plaats Fraude? YES YES NO Onafhankelijke variabele(n) (Predictor variabelen(n)) Afhankelijke variabele(n) (Target variabele(n)) 16
17 Predictive analytics: voorspel de toekomst X 1 X 2 X 3 X 4 X 5 Predictief Model f(x1,,x5) = y Y Bv. model bij fraude met aanrijdingsformulieren: f(datum,schade,plaats, ) = YES/NO 17
18 Predictive analytics vs. expert knowlegde Predictief model Model wordt uit de data gehaald Business rules Model wordt door expert gemaakt 18
19 Expert driven business rules Eenvoudige regel Complexere regel 19
20 Expert driven rules opstellen vaak onmogelijk Data zeer complex Meer dan twee dimensies Moeilijk om patronen manueel te definieren Wordt opgelost met predictive analytics! 20
21 Predictive analytics project aanpak 4. Feedback 3. Interpretatie en evaluatie 2. Predictive modeling 1. Voorbereiden data Kennis over de toekomst Data D1 D2 D3 D4 D5 Dataset Predictief model 21
22 Data voorbereiding Analyseren Welke variabelen? Verdeling data? Betekenis data? Data kwaliteit? Data Extraheren en omvormen D1 D2 D3 D4 Data Dataset 22
23 Predictive analytics project aanpak 4. Feedback 3. Interpretatie en evaluatie 2. Predictive modeling 1. Voorbereiden data Kennis over de toekomst Data D1 D2 D3 D4 D5 Dataset Predictief model 23
24 Predictive model opbouwen (=training) Input Output X 1 X 2 X 3 X 4 X 5 A 0,1 3 Yes 200 B 0,4 5 Yes 150 Trainingsdataset Y 2 4 Trainingsalgoritme vh predictief model Predictief model f(input) = output Accuraatheid % 24
25 Accuraatheid van het predictief model Confusion matrix: Predicted TRUE Predicted FALSE Actually TRUE Actually FALSE % True Positive (TP) % False Positive (FP) % False Negative (FN) % True Negative (TN) Accuraatheid = TP + TN 25
26 Interpretatie confusion matrix is belangrijk! Actually CANCER Actually NO CANCER Predicted CANCER % True Positive (TP) % False Positive (FP) Predicted NO CANCER % False Negative (FN) % True Negative (TN) Moet zo laag mogelijk zijn! 26
27 Is een predictief model generaliseerbaar? Hoe gedraagt het model zich bij data trainingsdata model accuraatheid Gaat enkel over trainingsdata Te optimistisch over performantie van het model 27
28 Naïve oplossing: trainingsdata opsplitsen Data Train: model leren Test: generaliseerbaarheid berekenen Probleem: 50% training, 50% test reduceert training set enorm 28
29 Oplossing: "cross validation" Data opslitsen in k delen (folds) k-1 trainingssets, 1 testset Train Test Test Test 29
30 Predictive analytics project aanpak 4. Feedback 3. Interpretatie en evaluatie 2. Predictive modeling 1. Voorbereiden data Kennis over de toekomst Data D1 D2 D3 D4 D5 Dataset Predictief model 30
31 Interpretatie en evaluatie model output X 1 X 2 X 3 X 4 X 5 A 0,1 2 Yes 200 B 0,7 6 Yes 150 A 0,2 8 No 300 Y??? Interpretatie Nieuwe data Predictief model Waarde van variabele Y 31
32 Predictive analytics project aanpak 4. Feedback 3. Interpretatie en evaluatie 2. Predictive modeling 1. Voorbereiden data Kennis over de toekomst Data D1 D2 D3 D4 D5 Dataset Predictief model 32
33 Feedback Output correct? Predictief model Waarde van variabele Y Model update Correct: JA/NEE 33
34 Feedback Fraude onderzoek Predictief model Fraude Model update Fraude: Ja/Nee 34
35 Predictive analytics project aanpak 4. Feedback 3. Interpretatie en evaluatie 2. Predictive modeling 1. Voorbereiden data Kennis over de toekomst Data D1 D2 D3 D4 D5 Dataset Predictief model 35
36 5 predictieve modellen Statistics Clustering Association rules Decision trees Neural networks 36
37 5 predictieve modellen Statistics Clustering Association rules Decision trees Neural networks 37
38 Statistische modellen Geen beschrijvende statistiek zoals gemiddelde, standaard afwijking, histogrammen, Wel voorspellende statistiek: Regressie analyse 38
39 Regressie analyse Simpele lineare regressie: y i = a + b. x i + r Multiple lineaire regressie: y i = b 0 + b 1. x 1 + b 2. x b m. x m + r i Non-lineaire regressie: polynomiale regressie, logistische regressie 39
40 Simpele lineare regressie met R Temp Pres
41 Simpele lineare regressie met R 41
42 Simpele lineare regressie met R Fitten lineaire functie 2 Plotten Temp~Lpres 3 Lijn weergeven van functie m1 42
43 Simpele lineare regressie met R Lage concentratie Hoge concentratie 43
44 Simpele lineare regressie met R Concentration Velocity
45 Simpele lineare regressie met R??? ytrans = conc/vel ytrans = a + b. conc Transformatie 45
46 Non-Lineare Regressie in R 46
47 5 predictieve modellen Statistics Clustering Association rules Decision trees Neural networks 47
48 Clustering 48
49 Clustering: K-Means algoritme Input: aantal clusters N 49
50 Clustering: K-Means algoritme Input: aantal clusters N 1. Kies N random cluster centra 50
51 Clustering: K-Means algoritme Input: aantal clusters N 1. Kies N random cluster centra 2. Verdeel in clusters 51
52 Clustering: K-Means algoritme Input: aantal clusters N 1. Kies N random cluster centra 2. Verdeel in clusters 52
53 Clustering: K-Means algoritme Input: aantal clusters N 1. Kies N random cluster centra 2. Verdeel in clusters 3. Bepaal N nieuwe cluster centra 53
54 Clustering: K-Means algoritme Input: aantal clusters N 1. Kies N random cluster centra 2. Verdeel in clusters 3. Bepaal N nieuwe cluster centra 4. N clusters gevonden 54
55 Clustering voorbeeld: IRIS dataset Iris setosa Iris versicolor Iris virginica 55
56 Clustering voorbeeld: IRIS dataset Sepallength Sepalwidth Petallength Petalwidth Class Setosa Setosa Versicolor Versicolor Viriginica Virginica Virginica 56
57 57
58 Voorspellen met Clustering Sepallength Sepalwidth Petallength Petalwidth Class ? ? ? 58
59 59
60 5 predictieve modellen Statistics Clustering Association rules Decision trees Neural networks 60
61 Association Rules ID milk bread butter beer Voorbeeld: Associaties tussen aankopen {Butter, Bread} => {Milk} {Milk} => {Bread} IF (Butter AND Bread) THEN Milk IF Milk THEN Bread 61
62 Association Rules {Butter, Bread} => {Milk} Antecedent Support: Hoeveel keer (in %) komt het antecedent voor? Consequent Confidence: Hoeveel keer (in %) volgt de consequent op de antecedent? 62
63 {Bread} => {Milk} ID milk bread butter beer Support: 3/5 = 60% Confidence: 2/3 = 66,7% 63
64 Associaties met het Apriori Algoritme Input: minimum support N 1 Bepaal support van elk element ID Support {Milk} 0,4 {Bread} 0,6 {Butter} 0,4 {Beer} 0,2 2 Schrap elementen met support < N 64
65 Associaties met het Apriori Algoritme Input: minimum support N ID Support {Milk} 0,4 {Bread} 0,6 {Butter} 0,4 {Beer} 0,2 3 4 Breid associaties uit met 1 element en bepaal support ID Support {Milk,Bread} 0,4 {Milk,Butter} 0,2 {Bread,Butter} 0,2 Schrap elementen met support < N 5 Herhaal tot er geen associaties met support >= N gevonden worden 65
66 Association rules in bankgegevens met SPSS Kinderen Auto Spaar rekening Lopende rekening Hypotheek PEP Leeftijd Geslacht Regio Inkomen Getrouwd 66
67 67
68 5 predictieve modellen Statistics Clustering Association rules Decision trees Neural networks 68
69 Decision trees Outlook Temp. Hum. Wind Play? Sunny F N Sunny T N Overcast F Y 69
70 Decision trees met Weka Sepallength Sepalwidth Petallength Petalwidth Class Setosa Setosa Versicolor Versicolor Viriginica Virginica Virginica 70
71 71
72 Decision trees in R > iris <- read.table("c:/iris.csv",header=t,sep=",") 1 Inlezen data 72
73 Decision trees in R > iris <- read.table("c:/iris.csv",header=t,sep=",") > fit <- rpart(class~sepallength+sepalwidth+petallength+petalwidth, data=iris,method="class") 2 Fitten decision tree 73
74 Decision trees in R > iris <- read.table("c:/iris.csv",header=t,sep=",") > fit <- rpart(class~sepallength+sepalwidth+petallength+petalwidth, data=iris,method="class") > plot(fit, uniform=true, main="iris tree") > text(fit, use.n=true, all=true, cex=.8) 3 Plotten resultaat 74
75 Decision trees in R > iris <- read.table("c:/iris.csv",header=t,sep=",") > fit <- rpart(class~sepallength+sepalwidth+petallength+petalwidth, data=iris,method="class") > plot(fit, uniform=true, main="iris tree") > text(fit, use.n=true, all=true, cex=.8) > pred <- predict(fit, newdata=data,type="class") > mc <-table(iris$class,pred) > print(mc) Iris-setosa Iris-versicolor Iris-virginica Iris-setosa Iris-versicolor Iris-virginica > err <- mc[1,2]+mc[1,3]+mc[2,1]+mc[2,3]+mc[3,1]+mc[3,2] > 1 - err/length(iris$class) [1] 0.96 > 4 Evalueren resultaat 75
76 Decision trees in R 76
77 5 predictieve modellen Statistics Clustering Association rules Decision trees Neural networks 77
78 Biologische vs. artificiele neurale netwerken I N P U T S O U T P U T S Synapse (verbinding) Neuron 78
79 Input layer I N P U T S O U T P U T S Hidden layers Output layer 79
80 Multi-Layer Perceptron (MLP) Node x1 x2 Verbinding x1 * w1 w1 w2 w3 x2 * w2 + x3 * w3 σ(u) u σ x3 80
81 Neurale netwerken in SPSS Sepallength Sepalwidth Petallength Petalwidth Class Setosa Setosa Versicolor Versicolor Viriginica Virginica Virginica 81
82 82
83 Association rules Statistics Decision trees Clustering Neural networks Makkelijke interpretatie Moeilijke interpretatie 83
84 Welk model is het beste: ROC Curve A > B > C Sensitivity: true positive rate 1-Specifity: false negative rate Predicted TRUE Predicted FALSE Actually TRUE Actually FALSE % True Positive (TP) % False Positive (FP) % False Negative (FN) % True Negative (TN) 84
85 Welk model is het beste: ROC Curve 85
86 In deze infosessie Deel 1 Wat is predictive analytics? Courante predictieve modellen Toepassingen van deze modellen Deel 2 Predictive analytics tools Predictive analytics cases Wat hebben we geleerd? 86
87 In deze infosessie Deel 1 Wat is predictive analytics? Courante predictieve modellen Toepassingen van deze modellen Deel 2 Predictive analytics tools Predictive analytics cases Wat hebben we geleerd? 87
88 Tools per analyse methode Scripting Form-based Visual programming S+ WEKA R Matlab Octave SPSS Modeler SAS Enterprise Miner Oracle Data Miner TIBCO Spotfire Miner Open source Commercial 88
89 Tools per analyse methode Scripting Form-based Visual programming S+ WEKA R Matlab Octave SPSS Modeler SAS Enterprise Miner Oracle Data Miner TIBCO Spotfire Miner Open source Commercial 89
90 S+ R Implementaties van de statistische programmeertaal "S" Commercieel Command shell Biedt ook forms aan die de shell afschermen Open source Command shell 90
91 Tree fitten in R vs. S+ R S+ 91
92 Matlab Mathworks Wiskundige omgeving Sterk in data visualisatie! Functionaliteit verpakt in "toolboxes" Toolboxes voor neurale netwerken, databases, statistics, Command line en forms Octave = OS alternatief 92
93 Tools per analyse methode Scripting Form-based Visual programming S+ WEKA R Matlab Octave SPSS Modeler SAS Enterprise Miner Oracle Data Miner TIBCO Spotfire Miner Open source Commercial 93
94 Weka Waikato Environment for Knowledge Analysis Open source tool van de Universiteit van Waikato Java Zeer veel algoritmes ter beschikking 94
95 Tools per analyse methode Scripting Form-based Visual programming S+ WEKA R Matlab Octave SPSS Modeler SAS Enterprise Miner Oracle Data Miner TIBCO Spotfire Miner Open source Commercial 95
96 Visual programming Tibco Spotfire Miner IBM SPSS Modeler Oracle Data Miner SAS Enterprise Miner 96
97 Gevolgd traject met deze tools Eerste stappen met predictive analytics Algoritmes leren kennen Parameters tunen Kleine datasets Lage instap (free) 97
98 Gevolgd traject met deze tools Eerste stappen met predictive analytics Eerste projecten Algoritmes met meer leren kennen data Visual programming Parameters tunen Methodes om data te Kleine datasets filteren, cleanen, Lage instap combineren, (free) Lage leercurve om algoritmes en data te koppelen Kunnen veel data formaten aan 98
99 Gevolgd traject met deze tools Eerste stappen met predictive analytics Eerste projecten Algoritmes met meer leren kennen data Parameters tunen Geavanceerd Methodes gebruik om data te Kleine datasets filteren, cleanen, Lage instap combineren, (free) Lage leercurve om algoritmes en data Scripting te koppelen Scripts zijn makkelijker Kunnen uitbreidbaar veel data ivgl met visual programming formaten aan De nodige extra functionaliteit kan geprogrammeerd worden Blijft een persoonlijke keuze: programmeren vs. modelleren Visual programming 99
100 Predictive analytics initiatieven SMALS CASE 1: Strijd tegen de sociale fraude CASE 2: Traceerbaarheid 100
101 Predictive analytics initiatieven SMALS CASE 1: Strijd tegen de sociale fraude CASE 2: Traceerbaarheid 101
102 Strijd tegen de sociale fraude: verhogen van de efficientie van de inspecties! predictive analytics potentiele fraude gevallen confirmed fraud? inspectiediensten RSZ 102
103 Predictive modeling bij sociale fraude Doel: frauduleuze associaties tussen bedrijven herkennen. Oplossing: Association rules met het apriori algoritme Fraud No fraud Failliet 103
104 Association rules? {Butter, Bread} => {Milk} Antecedent Support: Hoeveel keer (in %) komt het antecedent voor? Consequent Confidence: Hoeveel keer (in %) volgt de consequent op de antecedent? 104
105 Association rules met Apriori Apriori Dimona Repertorium Rules: { } => {F} { } => {NF} { } => {F} { } => {F} Dataset Support % / Confidence % 105
106 Fraude opsporen met deze association rules Confidence Nieuwe data Mogelijke fraude { { { } => {F} } => {F} } => {F} 100% 99,8% 95% Association rules geordend volgens confidence 106
107 Geimplementeerd in SPSS Documentatie noodzakelijk! 107
108 Status case "sociale fraudebestrijding" Eerste resultaten veel belovend! Fraude = zoeken naar uitzonderingen Alle data is nodig > 50 miljoen records Performantie problemen op "gewone Pc" Migreren naar zwaardere servers 108
109 Predictive analytics initiatieven SMALS CASE 1: Strijd tegen de sociale fraude CASE 2: Traceerbaarheid 109
110 Traceerbaarheid Wat is de impact van een beleidsmaatregel op variabele Y? Resultaat na invoering maatregel Resultaat als maatregel niet ingevoerd was (y) (y') Impact van een maatregel (y - y') 110
111 Traceerbaarheid Wat is de impact van een beleidsmaatregel op variabele Y? y Invoeren nieuwe maatregel y??? y' tijd y' berekenen we met Predictive Analytics Zonder invoering maatregel Na invoering maatregel Impact maatregel 111
112 Traceerbaarheid Wat is de impact van een beleidsmaatregel op variabele Y? X X 2 X 3 X 4 Y old a a c c d 1 d e e d 2 X 1 X 2 X 3 X 4 Y a a c e 4 a a c e 5 Chronologische dataset Data voor maatregel Invoering nieuwe maatregel! Data na maatregel 112
113 Berekenen Y' zonder invoering maatregel 1. Bereken predictief model bij data voor maatregel X 1 X 2 X 3 X 4 a a c d d e e d Predictief model Y old Pas model toe op data na de maatregel om Y' te bekomen X 1 X 2 X 3 X 4 a a c e a a c e Predictief model Y'
114 Berekenen impact maatregel Resultaat na invoering maatregel Resultaat als maatregel niet ingevoerd was (y) (y') Impact van een maatregel (y - y') Gevonden dmv "Predictive Analytics"! 114
115 Wat hebben we geleerd van deze predictive analytics cases? Voorbereiden van data neemt veel tijd in beslag 115
116 Predictive analytics project aanpak 4. Feedback 3. Interpretatie en evaluatie 2. Predictive modeling 1. Voorbereiden data Kennis over de toekomst Data D1 D2 D3 D4 D5 Dataset Predictief model 116
117 Data voorbereiding is een interdisciplinair proces Verschillende rollen nemen deel Business expert(s) Data quality expert(s) Database expert(s) Predictive analytics expert(s) Data warehouse expert(s) 117
118 Wat hebben we geleerd van deze predictive analytics cases? Predictive analytics is geen "black box" 118
119 Predictive Analytics als een "black box" Beste predictief model Data Predictive Analytics tool 119
120 Mogelijk in tools als SPSS en SAS Kan zeer lang duren (meerdere dagen) Trage feedback loop Betere optie: Predictive analytics kennis intern opbouwen Zelf meeredeneren 120
121 Wat hebben we geleerd van deze predictive analytics cases? Bouw predictive analytics projecten gradueel uit 121
122 Predictive analytics is geen magische oplossing Start met kleinschalige predictive analytics experimenten Bouw groter project uit Gradueel interesse wekken van potentiele stakeholders 122
123 Wat hebben we geleerd van deze predictive analytics cases? My name is Predictive Analyst 123
124 Specifieke rol nodig voor predictive analytics! Analytics kennis Business kennis IT kennis Communicatie!! 124
125 Aanbevolen literatuur 125
126 Aanbevolen literatuur Interactief overzicht van meest courante datamining technieken! 126
127 Vragen? Deel 1 Predictive analytics aanpak Courante predictieve modellen Toepassingen van deze modellen Deel 2 Predictive analytics tools Predictive analytics cases Wat hebben we geleerd? 127
Slim Onderhoud Voorkomen lekkages en onnodige kosten. Seminar Datagestuurd Woningonderhoud
Slim Onderhoud Voorkomen lekkages en onnodige kosten Seminar Datagestuurd Woningonderhoud Ralf Putter Business Consultant John Ciocoiu Technisch Consultant Data & Analytics Slim Onderhoud Value case Project
Nadere informatieClassification - Prediction
Classification - Prediction Tot hiertoe: vooral classification Naive Bayes k-nearest Neighbours... Op basis van predictor variabelen X 1, X 2,..., X p klasse Y (= discreet) proberen te bepalen. Training
Nadere informatieINZET VAN MACHINE LEARNING
INZET VAN MACHINE LEARNING VOORSTELLEN INHOUD Context wat is de staat van de verzekeringsindustrie? Machine Learning - wat is het eigenlijk en is het nieuw? Toepassingen waar wordt ML met succes toegepast?
Nadere informatieOplossingen Datamining 2II15 Juni 2008
Oplossingen Datamining II1 Juni 008 1. (Associatieregels) (a) Zijn de volgende beweringen juist of fout? Geef een korte verklaring voor alle juiste beweringen en een tegenvoorbeeld voor alle foute be-weringen:
Nadere informatieLiving Labs : NFI & RvdK Samen onderweg naar meer grip op data. JenV I-tour presentatie 24 april 2018
Living Labs : NFI & RvdK Samen onderweg naar meer grip op data JenV I-tour presentatie 24 april 2018 1 Agenda Deel I - door Jannie RvdK Intermezzo filmpje I-plan JenV Deel II door Femke en Xandra NFI KInD
Nadere informatieHoe AI kan ingezet worden voor de analyse van asbesthoudende daken
Hoe AI kan ingezet worden voor de analyse van asbesthoudende daken Earth Observation Data Sciences www.vlaanderen.be/informatievlaanderen www.vito.be Workshop: Asbestinventarisatie en analyse Weerslag
Nadere informatiePredictieve modellen - overzicht
Predictieve modellen - overzicht 08-01-2018 Jochem Grietens Verhaert Alexander Frimout Verhaert 1 AI voor lichtcontrole Het doel is om de verlichting van de Vlaamse snelweg slimmer te maken met behulp
Nadere informatie2. Geef een voorbeeld van hoe datamining gebruikt kan worden om frauduleuze geldtransacties te identificeren.
1. Veronderstel dat je als datamining consultant werkt voor een Internet Search Engine bedrijf. Beschrijf hoe datamining het bedrijf kan helpen door voorbeelden te geven van specifieke toepassingen van
Nadere informatieMACHINE LEARNING. Een egocentrische presentatie door een data scientist van Axians. Michel van Gelder Data Scientist bij Axians
MACHINE LEARNING Een egocentrische presentatie door een data scientist van Axians Michel van Gelder Data Scientist bij Axians 1 MICHEL VAN GELDER Data Scientist Axians 2 A day in the life of.. 3 MACHINE
Nadere informatieAI en Software Testing op de lange termijn
AI en Software Testing op de lange termijn Is het een appel? Traditioneel programmeren AI Kleur = rood, groen, geel Vorm = rond Textuur = glad Artificial Intelligence Machine Learning Methods Technologies
Nadere informatieData Mining: Classificatie
Data Mining: Classificatie docent: dr. Toon Calders Gebaseerd op slides van Tan, Steinbach, and Kumar. Introduction to Data Mining Overzicht Wat is classificatie? Leren van een beslissingsboom. Problemen
Nadere informatieTentamen Kunstmatige Intelligentie (INFOB2KI)
Tentamen Kunstmatige Intelligentie (INFOB2KI) 30 januari 2014 10:30-12:30 Vooraf Mobiele telefoons dienen uitgeschakeld te zijn. Het tentamen bestaat uit 7 opgaven; in totaal kunnen er 100 punten behaald
Nadere informatieNeurale Netwerken en Deep Learning. Tijmen Blankevoort
Neurale Netwerken en Deep Learning Tijmen Blankevoort De toekomst - Internet of Things De toekomst - sluiertipje Je gezondheid wordt continue gemonitored Je dieet wordt voor je afgestemd -> Stroomversnelling
Nadere informatieInhoud. Neuronen. Synapsen. McCulloch-Pitts neuron. Sigmoids. De bouwstenen van het zenuwstelsel: neuronen en synapsen
Tom Heskes IRIS, NIII Inhoud De bouwstenen van het zenuwstelsel: neuronen en synapsen Complex gedrag uit eenvoudige elementen McCulloch-Pitts neuronen Hopfield netwerken Computational neuroscience Lerende
Nadere informatieDatamining: Graven in gegevens
Datamining: Graven in gegevens Business Intelligence in de praktijk Jasper Lansink CMG Noord Nederland - Advanced Technology Agenda Business Intelligence Datamining theorie Datamining in de praktijk management
Nadere informatieHoofdvraag. Hoe kan interne en externe data gebruikt worden voor ziektepreventie bij klanten van DFZ?
Hoofdvraag Hoe kan interne en externe data gebruikt worden voor ziektepreventie bij klanten van DFZ? Data visualisatie (Grafieken, dashboards); Kwantitatieve analyse (cijfers, statistiek); Software Inzichten
Nadere informatieVertrouwen en verbinden. R Huizinga en J Ciocoiu KPN Consulting
Vertrouwen en verbinden R Huizinga en J Ciocoiu KPN Consulting Data: driver voor digitale transformatie Digitalisering aanjager van data management. Data management is aanjager van digitalisering. Van
Nadere informatieBusiness Analytics bij. Zilveren Kruis. Rob Konijn Data Scientist Kenniscentrum. 12 mei 2016
Business Analytics bij Zilveren Kruis Rob Konijn Data Scientist Kenniscentrum Zilveren Kruis 12 mei 2016 Introductie Rob Konijn - Business Analytics (toen nog BWI) 2002-2008 - Phd VU (Wojtek Kowalczyk/Bert
Nadere informatieBestrijd illegale houtkap en red het regenwoud met HANA
Bestrijd illegale houtkap en red het regenwoud met HANA Expertum NL, RFCx, SAP Dirk Kemper en Eline Bangert 14 Mei 2019 Oktober 2017 - SAP Run Live Truck Doel: App voor de rangers - Prototype binnen 5
Nadere informatieTentamen Data Mining
Tentamen Data Mining Algemene Opmerkingen Dit is geen open boek tentamen, noch mogen er aantekeningen gebruikt worden. Laat bij het uitvoeren van berekeningen zien hoe je aan een antwoord gekomen bent.
Nadere informatie2 2. STATISTICA Data Management
Overzicht Opleidingen Pagina 1. STATISTICA Introductie 2 2. STATISTICA Data Management 3 3. Grafische Data Analyse in STATISTICA 4 4. Introductie statistische Concepten en Methoden 5 5. Introductie STATISTICA
Nadere informatieOpleiding Data Science
Opleiding Data Science IT Academy Noord-Nederland zet zich in voor een krachtige ICT-arbeidsmarkt in het Noorden. Samen groeien. Data Scientist Beroep van de toekomst Op 4 maart 2019 start de vijfde editie
Nadere informatieData mining Van boodschappenmandjes tot bio-informatica
Data mining Van boodschappenmandjes tot bio-informatica Walter Kosters Informatica, Universiteit Leiden donderdag 6 april 2006 http://www.liacs.nl/home/kosters/ 1 Wat is Data mining? Data mining probeert
Nadere informatieKunstmatige Intelligentie (AI) Hoofdstuk 18.7 van Russell/Norvig = [RN] Neurale Netwerken (NN s) voorjaar 2016 College 9, 19 april 2016
AI Kunstmatige Intelligentie (AI) Hoofdstuk 18.7 van Russell/Norvig = [RN] Neurale Netwerken (NN s) voorjaar 2016 College 9, 19 april 2016 www.liacs.leidenuniv.nl/ kosterswa/ai/ 1 Hersenen De menselijke
Nadere informatietwee partijen zijn. Aangezien het bij data mining gaat om grote hoeveelheden data is het belangrijk om praktische oplossingen te hebben.
Samenvatting Deze thesis handelt over privacy preserving data mining. Data mining is een tak van de wetenschap waarin men grote hoeveelheden data onderzoekt met de bedoeling er bepaalde patronen in te
Nadere informatieArtificial Intelligence. Tijmen Blankevoort
Artificial Intelligence Tijmen Blankevoort Een intelligente revolutie Live spraak vertaling (Skype 2015) Zelfrijdende auto s (Meerdere bedrijven) Jeopardy winst (IBM 2013) Professioneel Go (Google 2016)
Nadere informatieHet classificeren van hoortoestel modaliteiten m.b.v. een Big Data benadering: Latent Class Trees analyse
Het classificeren van hoortoestel modaliteiten m.b.v. een Big Data benadering: Latent Class Trees analyse Simon Lansbergen & Wouter Dreschler Motivatie // Introductie 1. Veel verschillende hoortoestellen,
Nadere informatieWat is nieuw in Enterprise Guide
Enterprise Guide 42 4.2 Lieve Goedhuys Copyright 2009 SAS Institute Inc. All rights reserved. Wat is nieuw in Enterprise Guide Vereenvoudigde interface Gebruikersinterface i Project recovery Conditionele
Nadere informatieDATA MINING (TI2730-C)
Technische Universiteit Delft Elektrotechniek, Wiskunde en Informatica Secties: Pattern Recognition & Bioinformatics & Multimedia Signal Processing DATA MINING (TI2730-C) Schriftelijk (her)tentomen. Dinsdag
Nadere informatieMeervoudige ANOVA Onderzoeksvraag Voorwaarden
Er is onderzoek gedaan naar rouw na het overlijden van een huisdier (contactpersoon: Karolijne van der Houwen (Klinische Psychologie)). Mensen konden op internet een vragenlijst invullen. Daarin werd gevraagd
Nadere informatieEEN LEAR N I NG ANALYTICS S ER VI CE JOHAN JEUR ING
EEN LEAR N I NG ANALYTICS S ER VI CE JOHAN JEUR ING INTRODUCTIE De opdrachtgever voor dit project is Johan Jeuring, van het departement Informatica van de Universiteit Utrecht, namens het projectteam van
Nadere informatiePython voor dataanalyse
Python voor dataanalyse 5 De reden dat deze cursus gebruik maakt van Python is dat deze taal in technisch-wetenschappelijke kringen steeds vaker gebruikt wordt. Vooral voor het visualiseren en analyseren
Nadere informatieUitwerking Tentamen Datamining (2II15) 26/06/09
Uitwerking Tentamen Datamining (2II15) 26/06/09 1. (3p) (Clustering) Welke van de volgende uitspraken zijn correct? Voor de correcte uitspraken: leg uit, voor de incorrecte: geef een tegenvoorbeeld. (a)
Nadere informatieData driven. Het plan naar data driven business door advanced analytics Business.
Data driven. Het plan naar data driven business door advanced analytics Business. Analytics: uw data slim gebruiken en zo uw business optimaliseren! Marijn Uilenbroek BIA Consultant, Sogeti BI & Analytics
Nadere informatieKWANTITATIEF TESTEN. experimenteel ontwerp (MIT 14) statistische analyse (MIT 15)
KWANTITATIEF TESTEN experimenteel ontwerp (MIT 14) statistische analyse (MIT 15) tips Google Wikipedia MIT 14, 15 stats.stackexhchange.com ander onderzoek dat lijkt op het jouwe experimenteel ontwerp kwantitatieve
Nadere informatieVerschillende softwaresystemen
Verschillende softwaresystemen 4orange, 2016 Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl 2 Verschillende software systemen CRM, Leadmanagement CRM Lead management tools Microsoft Dynamics CRM,
Nadere informatieTentamen in2205 Kennissystemen
TECHNISCHE UNIVERSITEIT DELFT Faculteit Elektrotechniek, Wiskunde en Informatica Tentamen in2205 Kennissystemen 21 Januari 2010, 14:0017:00 Dit tentamen heeft 5 meerkeuzevragen in totaal goed voor 10 punten
Nadere informatieDATAMODELLERING TOEPASSEN DATA ANALYTICS
DATAMODELLERING TOEPASSEN DATA ANALYTICS Inleiding In dit whitepaper wordt een toepassingsgebied beschreven voor datamodellering. Een toepassing is een werkveld op het vlak van architectuur of modellering
Nadere informatieSelenium IDE Webdriver. Introductie
Selenium IDE Webdriver Het Wielsem 10, 5231 BW s- Hertogenbosch, telefoon 073-6409311 e- mail info@testwork.nl internet http://www.testwork.nl 1 Inhoudsopgave 1 Inhoudsopgave... 2 2 Selenium IDE... 3 3
Nadere informatieAI introductie voor testers
AI introductie voor testers De basis van deep learning TestNet werkgroep Testen met AI Martin van Helden Sander Mol Introductie Artificial Intelligence (AI) is anders dan traditioneel programmeren. Traditioneel
Nadere informatieData-gedreven prestaties verbeteren: de toekomst van ons adviesvak. November 2017
Data-gedreven prestaties verbeteren: de toekomst van ons adviesvak November 2017 Inhoudsopgave 1. HofP Digital Impact 2. Zeer korte intro in advanced analytics & de rol van de (interne) adviseur 3. Een
Nadere informatieData Mining: Inleiding
Data Mining: Inleiding docent: dr. Toon Calders Gebaseerd op slides van Tan, Steinbach, and Kumar. Introduction to Data Mining 2II15: Data mining en kennissystemen Lessen: maandag 7de en 8ste uur in Auditorium
Nadere informatieHoe goed is een test?
Hoe goed is een test? 1.0 het ideale plaatje Als we een test uitvoeren om te ontdekken of iemand ziek is hebben we het liefst een test waarbij de gezonde en de zieke groepen duidelijk gescheiden zijn.
Nadere informatieOpen Source Analytics
Thema Business Intelligence Aantrekkelijke aanvullingen op standaard BI-implementaties Open Source Analytics Jos van Dongen In een BI-special mag een artikel over Open Source BI-tools natuurlijk niet ontbreken.
Nadere informatieDe geïntegreerde architectuur van Informatie- en Operationele Techniek. Jurg Bremmer (sr. Consultant - )
De geïntegreerde architectuur van Informatie- en Operationele Techniek Jurg Bremmer (sr. Consultant - ) Welkom Agenda Introductie Informatie architectuur Voorbeelden Aanpak Discussie Jurg Bremmer sr. Consultant
Nadere informatieDisclosure Belangen Spreker
1 Geen (potentiële) belangenverstengeling Disclosure Belangen Spreker Voor bijeenkomst mogelijk relevante relaties: Sponsoring of onderzoeksgeld - Honorarium of andere (financiële ) vergoedingen Aandeelhouder
Nadere informatieMasterproeven 2012-2013 Wireless & Cable Research Group (WiCa)
Masterproeven 2012-2013 Wireless & Cable Research Group (WiCa) Aanbevelingssystemen Vakgroep Informatietechnologie Onderzoeksgroep WiCa WiCa Wireless 13 onderzoekers Cable 3 onderzoekers Fysische laag
Nadere informatieInformatie- Gestuurd. Handhaven. Pilot Uitkeringsfraude
Pilot Uitkeringsfraude Informatie- Gestuurd Handhaven InformatieGestuurd Handhaven GBI Ooit Gezamenlijke Backoffice Inkomen Nu Gemeentelijke Basisprocessen Inkomen 2 het IGH-model InformatieGestuurd Handhaven
Nadere informatieZelftest Java concepten
Zelftest Java concepten Document: n0838test.fm 22/03/2012 ABIS Training & Consulting P.O. Box 220 B-3000 Leuven Belgium TRAINING & CONSULTING INLEIDING BIJ DE ZELFTEST JAVA CONCEPTEN Om de voorkennis nodig
Nadere informatieZomerschool Vakdidactisch Onderzoek Leuven, 8-10 september 2010 Sessie 8: Analyse van kwantitatieve data
Zomerschool Vakdidactisch Onderzoek Leuven, 8-10 september 2010 Sessie 8: Analyse van kwantitatieve data An Carbonez Leuven Statistics Research Centre Katholieke Universiteit Leuven Voorstelling van de
Nadere informatieData gedreven innoveren, hoe doe je dat?
Data gedreven innoveren, hoe doe je dat? 1990 Database Marketing 2000 Customer Intelligence 2010 BI & Data Warehouses Today: Big Data Analytics About me Data Science Advanced Business Intelligence Big
Nadere informatieVeilige en efficiënte inspectie van het spoor Inzending Hendrik Lorentz Data Science Prijs
Veilige en efficiënte inspectie van het spoor Inzending Hendrik Lorentz Data Science Prijs Clemens Schoone (Inspectation), Huub van den Broek (CQM) Nederland heeft het drukst bereden spoornet van Europa.
Nadere informatieKWANTITATIEF TESTEN. experimenteel ontwerp (MIT 14) statistische analyse (MIT 15)
KWANTITATIEF TESTEN experimenteel ontwerp (MIT 14) statistische analyse (MIT 15) tips Google Wikipedia MIT 14, 15 stats.stackexchange.com ander onderzoek dat lijkt op het jouwe experimenteel ontwerp kwantitatieve
Nadere informatieb. Maak een histogram van de verdeling van het groeiseizoen. Kies eerst klassen en maak een geschikte frequentietabel.
Opdracht 2a ----------- Stamdiagrammen, histogrammen, tijdreeksgrafieken De Old Farmers Almanac vermeldt de groeiseizoenen voor de grote steden in de V.S., zoals gerapporteerd door het National Climatic
Nadere informatieEen foto zegt meer dan duizend woorden
Een foto zegt meer dan duizend woorden Open Circle Solutions Inhoud 3 4 6 8 9 10 Beeldherkenning Hoe werkt het De mogelijkheden van beeldherkenning OCS beeldherkenning 6-stappenplan Beeldherkenning op
Nadere informatieMasterclass: advanced statistics. Bianca de Greef Sander van Kuijk Afdeling KEMTA
Masterclass: advanced statistics Bianca de Greef Sander van Kuijk Afdeling KEMTA Inhoud Masterclass Deel 1 (theorie): Achtergrond regressie Deel 2 (voorbeeld): Keuzes Output Model Model Dependent variable
Nadere informatieToegang tot HiSPARC gegevens jsparc bibliotheek Data retrieval 3.1 Downloaden van data
Data analyse HiSPARC Data retrieval A.P.L.S. de Laat 1 Toegang tot HiSPARC gegevens De data opslag van HiSPARC meetgegevens gebeurt op het Nikhef en bestaat uit een paar databases. Als eerst is er de ruwe
Nadere informatieEnkelvoudige ANOVA Onderzoeksvraag Voorwaarden
Er is onderzoek gedaan naar rouw na het overlijden van een huisdier (contactpersoon: Karolijne van der Houwen (Klinische Psychologie)). Mensen konden op internet een vragenlijst invullen. Daarin werd gevraagd
Nadere informatieURBAN SCIENCE. Professor Nanda Piersma Michael Hogenboom
URBAN SCIENCE Professor Nanda Piersma Michael Hogenboom Nanda Piersma Hogeschool van Amsterdam (HvA) Centrum Wiskunde & Informatica (CWI) URBAN TECHNOLOGY SOLUTIONS FOR SUSTAINABLE, LIVEABLE AND CONNECTED
Nadere informatieZelftest Informatica-terminologie
Zelftest Informatica-terminologie Document: n0947test.fm 01/07/2015 ABIS Training & Consulting P.O. Box 220 B-3000 Leuven Belgium TRAINING & CONSULTING INTRODUCTIE Deze test is een zelf-test, waarmee u
Nadere informatie11. Multipele Regressie en Correlatie
11. Multipele Regressie en Correlatie Meervoudig regressie model Nu gaan we kijken naar een relatie tussen een responsvariabele en meerdere verklarende variabelen. Een bivariate regressielijn ziet er in
Nadere informatieA Data Driven Journey Pieter de Kok RA AANJAGER CONEY. 31 oktober 2018
A Data Driven Journey Pieter de Kok RA AANJAGER CONEY 31 oktober 2018 MIJN DATA REIS 1994 HBO ACCOUNTANCY SCRIPTIE EDI AND CHANGING ROLE OF AUDITOR MIJN DATA REIS 1995 MIJN DATA REIS 1999 RA STUDIE AFSTUDEER
Nadere informatieUser Profile Repository Testrapportage kwaliteit
CatchPlus User Profile Repository Testrapportage kwaliteit Versie 1.1 User Profile Repository Testrapportage kwaliteit Versie: 1.1 Publicatiedatum: 20-4-2012 Vertrouwelijk GridLine B.V., 2012 Pagina 1
Nadere informatieNationale DenkTank 2014 Big Data Academy
Big Data Academy Achtergrond en uitwerking Big Data Academy (BDA) Management Summary Oplossing [Twintig] deelnemers waarvan [80%] masterstudenten en PhD s en[20%] werknemers die voldoen aan de voorkenniseisen
Nadere informatieTentamen Data Mining. Algemene Opmerkingen. Opgave L. Korte vragen (L6 punten) Tijd: 14:00-17:00. Datum: 4januai20l6
Tentamen Data Mining Datum: 4januai2l6 Tijd: 4: - 7: Algemene Opmerkingen e Dit is geen open boek tentamen, noch mogen er aantekeningen gebruikt worden. o Laat bij het uitvoeren van berekeningen zien hoeje
Nadere informatieChapter 7 Samenvatting
Chapter 7 Samenvatting Het zit in de menselijke natuur om patronen te ontdekken in data. Mensen en dieren leren van de omgeving en bouwen zo kennis en intelligentie op. Methoden om theorie uit data af
Nadere informatieIn Vlaanderen bestaat er nog geen leerlijn programmeren! Hierdoor baseren wij ons op de leerlijn die men in Nederland toepast voor basisscholen.
Leerlijn programmeren In Vlaanderen bestaat er nog geen leerlijn programmeren! Hierdoor baseren wij ons op de leerlijn die men in Nederland toepast voor basisscholen. Deze leerlijn is opgebouwd aan de
Nadere informatieArtificial Intelligence in uw dagelijkse praktijk. Hilversum, 22 September 2016
Artificial Intelligence in uw dagelijkse praktijk Hilversum, 22 September 2016 Agenda 09:30 Welkom en introductie 09:35 Artificial Intelligence, al meer dan 50 jaar een actief onderzoeksgebied Jaap van
Nadere informatieHET POLICY LAB. Tjerk Timan. ScienceWorks 25 mei 2018
HET POLICY LAB Tjerk Timan ScienceWorks 25 mei 2018 SAMENVATTING Het Policy Lab doet gecontroleerde experimenten voor het ontwikkelen van data gedreven beleid zodat beleidsmakers veilig kunnen experimenteren
Nadere informatieHet Kloppend Marketing Autohart BIG Auto Data. Kijkje in onze keuken
Het Kloppend Marketing Autohart BIG Auto Data Kijkje in onze keuken Kwaliteit boven ALLES De datakwaliteit top-10: 1. Filteren = met minder MEER doen 2. Altijd maximaal 1x dezelfde fout maken 3. Niks Black
Nadere informatieThe best of both worlds D O O R J E R O E N L I J Z E N G A EN E M I E L H E I N S B R O E K
The best of both worlds D O O R J E R O E N L I J Z E N G A EN E M I E L H E I N S B R O E K Het nieuwe toverwoord: Datascience Using automated methods to analyze massive amounts of data and to extract
Nadere informatieSafety analytics, een nieuwe toekomst voor preventie? 15 maart 2011 Limburghal Genk
BEHAVIORAL SAFETY Safety analytics, een nieuwe toekomst voor preventie? door Luk Smeyers, managing director & partner inostix, Human Capital Intelligence 15 maart 2011 Limburghal Genk PreBes vzw Diestersteenweg
Nadere informatiemlw stroom 2.2 Biostatistiek en Epidemiologie College 9: Herhaalde metingen (2) Syllabus Afhankelijke Data Hoofdstuk 4, 5.1, 5.2
mlw stroom 2.2 Biostatistiek en Epidemiologie College 9: Herhaalde metingen (2) Syllabus Afhankelijke Data Hoofdstuk 4, 5.1, 5.2 Bjorn Winkens Methodologie en Statistiek Universiteit Maastricht 21 maart
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica. Tentamen Statistiek 2 voor TeMa (2S195) op dinsdag , uur.
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamen Statistiek voor TeMa (S95) op dinsdag 3-03-00, 9- uur. Bij het tentamen mag gebruik worden gemaakt van een zakrekenmachine en
Nadere informatieStatistiekcursus aan het Gymnasium
Statistiekcursus aan het Gymnasium Hannes Stoppel Max-Planck-Gymnasium Gelsenkirchen Duitsland (Bewerking: L. Sialino en S. Biesheuvel) Niveau VWO-Leerlingen die de basis van de statistiek kennen. Kennis
Nadere informatieAI en Data mining. Van AI tot Data mining. dr. Walter Kosters, Universiteit Leiden. Gouda woensdag 17 oktober
AI en Data mining Van AI tot Data mining dr. Walter Kosters, Universiteit Leiden Gouda woensdag 17 oktober 2007 www.liacs.nl/home/kosters/ 1 Wat is Data mining? Data mining probeert interessante en (on)verwachte
Nadere informatieGemeente Rotterdam TNO Ministerie van OCW Ministerie van BZK. Rotterdamse Data Science Analyse Jeugd
Gemeente Rotterdam TNO Ministerie van OCW Ministerie van BZK Rotterdamse Data Science Analyse Jeugd 20-5-2019 Rotterdam Groeit: evidentie en interactie Potentie van de stad waarmaken: kansrijk, veilig
Nadere informatieWhitepaper. Personal Targeting Platform. De juiste content Op het juiste moment Aan de juiste persoon
Whitepaper Personal Targeting Platform De juiste content Op het juiste moment Aan de juiste persoon Introductie 2 Geïntegreerde personalisering 2 Het opbouwen van een profiel 2 Segmenteren en personaliseren
Nadere informatieContinuous Learning in Computer Vision S.L. Pintea
Continuous Learning in Computer Vision S.L. Pintea Continuous Learning in Computer Vision Natura non facit saltus. Gottfried Leibniz Silvia-Laura Pintea Intelligent Sensory Information Systems University
Nadere informatieToekomstbestending maken van selectie tool Rekening houdend met strikte privacy wetgeving
Toekomstbestending maken van selectie tool Rekening houdend met strikte privacy wetgeving Kurt.Merchiers@colruytgroup.com Functioneel Analist Roel.Van.Assche@sas.com Consultant Agenda Vervanging van de
Nadere informatieMenu aansturing van SPSS voorbeeld in paragraaf 6.5 van hoofdstuk 6 over multipele regressie analyses van recidive bij jongens
Menu aansturing van SPSS voorbeeld in paragraaf 6.5 van hoofdstuk 6 over multipele regressie analyses van recidive bij jongens Hieronder wordt uitgelegd hoe alle analyses besproken in paragraaf 6.5 van
Nadere informatieMinor Data Science (NIOC april)
Minor Data Science 2015-2016 (NIOC 2015-23 april) Tony Busker, Jan Kroon en Sunil Choenni (Instituut voor Communicatie, Media- en Informatietechnologie, Hoegeschool Rotterdam) Sunil Choenni en Mortaza
Nadere informatieTraining statistiek NEN-689. Blok 2 Software voor: (1) Statistisch toetsen van werkplekmetingen (2) Boxplot voor rapport
Training statistiek NEN-689 Blok 2 Software voor: (1) Statistisch toetsen van werkplekmetingen (2) Boxplot voor rapport 1 Eisen software voor statistische toetsing van meetseries 1. OEL-compliance test
Nadere informatieBase24 database suite
Base24 database suite Introductie De Base24 database suite is een zeer geavanceerde database oplossing die ontworpen is voor de management, opslag, inzage en uitwisseling van medische informatie zoals
Nadere informatied. Maak een spreidingsdiagram van de gegevens. Plaats de x-waarden op de x-as en de z-waarden op de y-as.
Opdracht 6a ----------- Dichtheidskromme, normaal-kwantiel-plot Een nauwkeurige waarde van de lichtsnelheid is van belang voor ontwerpers van computers, omdat de elektrische signalen zich uitsluitend met
Nadere informatieVandaag. Uur 1: Differentiaalvergelijkingen Uur 2: Modellen
Vandaag Uur 1: Differentiaalvergelijkingen Uur 2: Modellen Diferentiaalvergelijkingen Wiskundige beschrijving van dynamische processen Vergelijking voor y(t): grootheid die in de tijd varieert Voorbeelden:
Nadere informatieVoorspel uw toekomstige. afzet met Sales & Operations Planning. Rene van Luxemburg. Ilja Kempenaars
Voorspel uw toekomstige Rene van Luxemburg Ilja Kempenaars afzet met Sales & Operations Planning Break-out sessie Break-out sessie S.&.O.P. & Forecasting Forecast Pro applicatie Effectief? Ja! Duur? Nee!
Nadere informatieSmart Maintenance. Het realiseren van een intelligente Maintenance inrichting door het slim gebruik van Data analytics
Smart Maintenance Het realiseren van een intelligente Maintenance inrichting door het slim gebruik van Data analytics 05-10-2016 Maintenance meets service logistiek 05-10-2016 Kasper Groenbroek Siebrand
Nadere informatieSPSS Introductiecursus. Sanne Hoeks Mattie Lenzen
SPSS Introductiecursus Sanne Hoeks Mattie Lenzen Statistiek, waarom? Doel van het onderzoek om nieuwe feiten van de werkelijkheid vast te stellen door middel van systematisch onderzoek en empirische verzamelen
Nadere informatieData Mining: Classificatie
Data Mining: lassificatie docent: dr. Toon alders Gebaseerd op slides van Tan, Steinbach, and Kumar. Introduction to Data Mining Vorige les lassificatie: Het groeperen van objecten in voorgedefinieerde
Nadere informatieFunctionaliteiten 4orange Connect
Functionaliteiten 4orange Connect 4orange, 2014 Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl 2 4orange Connect: de nieuwste release van FileFrame 4orange Connect is de nieuwste release van FileFrame.
Nadere informatieVerband tussen twee variabelen
Verband tussen twee variabelen Inleiding Dit practicum sluit aan op hoofdstuk I-3 van het statistiekboek en geeft uitleg over het maken van kruistabellen, het berekenen van de correlatiecoëfficiënt en
Nadere informatieTechnologie: TI-Nspire CX CAS Niveau: beginner
Introductie : Statistiek met de TI-Nspire CX CAS Met de TI-Nspire hebben we een groot aantal statistische functies tot onze beschikking die het rekenwerk binnen de beschrijvende statistiek vergemakkelijken.
Nadere informatieMinder Big data Meer AI.
Minder Big data Meer AI. Minder Big data, meer AI. Marijn uilenbroek BI & Analytics consultant Utrecht, 1 november 2016 BI&A symposium 2016 Minder Big data meer AI 2 BI&A symposium 2016 Minder Big data
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamen Statistiek voor T (2S070) op vrijdag 8 oktober 1999, uur De u
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamen Statistiek voor T (2S070) op vrijdag 8 oktober 1999, 14.00-17.00 uur De uitwerkingen van de opgaven dienen duidelijk geformuleerd
Nadere informatieMISSING DATA van gatenkaas naar valide uitkomsten
MISSING DATA van gatenkaas naar valide uitkomsten Sander M.J. van Kuijk Afdeling Klinische Epidemiologie en Medical Technology Assessment sander.van.kuijk@mumc.nl Inhoud Masterclass Theorie over missing
Nadere informatieVan HR reporting naar HR analytics. @ VOCAP Park Inn Radisson, Leuven
Van HR reporting naar HR analytics @ VOCAP Park Inn Radisson, Leuven Dr. Jeroen Delmotte Chief Scientist & Co-Founder Dinsdag 29 september 2015 Programma 1. Voorstelling 2. Wat is HR Analytics? 3. HR is
Nadere informatieAnomaliedetectie en patroonherkenning
Digitale overheid van de Toekomst, 28 september 2016 Anomaliedetectie en patroonherkenning binnen de loonaangifteketen Dr. Ralph Foorthuis Voorstelrondje Werkervaring Sr. enterprise architect bij UWV Werkzaam
Nadere informatieInleiding Programmeren 2
Inleiding Programmeren 2 Gertjan van Noord November 26, 2018 Stof week 3 nogmaals Zelle hoofdstuk 8 en recursie Brookshear hoofdstuk 5: Algoritmes Datastructuren: tuples Een geheel andere manier om te
Nadere informatie