Inleiding tot datamining

Wat is datamining?

Geschiedenis en ontwikkeling

Toepassingen en voordelen op de werkplek

Het dataminingproces

○ Het CRISP-DM proces (Cross-Industry Standard Process for Data Mining)

○ Verzamelen en voorbereiden van gegevens

De gegevens begrijpen

Basistechnieken en -methoden

Classificatie

Regressie

Clusteren

Geavanceerde dataminingtechnieken

Associatie en associatieregels (bijv. Apriori algoritme)

○ Technieken voor dimensiereductie (bijv. PCA)

• Modelevaluatie

○ Kruisvalidatietechnieken

○ Prestatiemetingen (precisie, recall, AUC-ROC, enz.)

Praktische oefeningen

○ Praktische workshop over een zakelijke casestudy (bijvoorbeeld analyse van klantloyaliteit).

○ Analyse en interpretatie van resultaten.

Perspectieven en trends

○ De rol van AI in datamining

○ Integratie van datamining in de bedrijfsstrategie

Praktische oefeningen

De oefeningen die tijdens de trainingen worden voorgesteld, richten zich op elk concept dat tijdens de training wordt gepresenteerd. De oefeningen benaderen de concepten en de moeilijkheidsgraad op een progressieve manier. Aan het einde van de cursus krijgen de deelnemers een samenvattende oefening om hen te helpen de concepten te integreren. De oefeningen zijn als volgt:

• Verkennende gegevensanalyse: Gebruik een set gegevens om een beschrijvende analyse uit te voeren. (bijvoorbeeld: gemiddelde, mediaan, modus, standaardafwijking)

• Gebruik van een dataminingtool: Voer met behulp van software een eenvoudige classificatie uit op een gegevensset.

• Clustering: Een dataset gebruiken om verschillende groepen of segmenten te identificeren.

• Associatieregels: Op basis van een transactiedataset bepalen welke artikelen vaak samen worden gekocht.

• Modelevaluatie: Evalueer de prestaties van een classificatiemodel op een testdataset.