Machine learning is een van de nuttigste vaardigheden in data science. Met machine learning kunnen data-professionals voorspellingen doen over belangrijke datasets, workflows automatiseren en inzichten ophalen. Hoe ziet de machine learning-werkstroom eruit? Deze infographic geeft een vereenvoudigd beeld van de machine learning-werkstroom.
Download deze infographic door op de afbeelding te klikken
Projectsetup
Begrijp zakelijke doelen
Spreek met je stakeholders en zorg dat je het zakelijke doel achter het voorgestelde model goed begrijpt. Een diepgaand begrip van je zakelijke doelen helpt je om de benodigde technische oplossing af te bakenen, vast te leggen welke databronnen je verzamelt, hoe je de modelprestaties evalueert en meer.
Kies de oplossing voor je probleem
Als je je probleem goed begrijpt, richt je dan op de categorie modellen die de grootste impact heeft. Zie dit Machine Learning Cheat Sheet voor meer informatie.
Datavoorbereiding
Dataverzameling
Verzamel alle data die je nodig hebt voor je modellen, of dat nu uit je eigen organisatie komt of uit publieke of betaalde bronnen.
Data opschonen
Maak van rommelige ruwe data schone, overzichtelijke data die klaar is voor analyse. Bekijk deze checklist voor data opschonen als introductie op data cleaning.
Feature engineering
Manipuleer de datasets om variabelen (features) te maken die de voorspellingsnauwkeurigheid van je model verbeteren. Maak dezelfde features in zowel de trainingsset als de testset.
Splits de data
Verdeel de records in de dataset willekeurig in een trainingsset en een testset. Voor een betrouwbaardere beoordeling van de modelprestaties kun je meerdere trainings- en testsets genereren met cross-validatie
Modeling
Hyperparametertuning
Gebruik voor elk model technieken voor hyperparametertuning om de prestaties te verbeteren.
Train je modellen
Pas elk model aan op de trainingsset.
Doe voorspellingen
Doe voorspellingen op de testset.
Beoordeel modelprestaties
Bereken voor elk model prestatiestatistieken op de testset, zoals accuracy, recall en precision.
In productie nemen
Implementeer het model
Embed het gekozen model in dashboards, applicaties of waar je het ook nodig hebt.
Monitor de modelprestaties
Test regelmatig de prestaties van je model naarmate je data verandert om model drift te voorkomen
Verbeter je model
Blijf je model continu itereren en verbeteren na ingebruikname. Vervang je model door een bijgewerkte versie om de prestaties te verbeteren.
