Lossfuncties in machine learning uitgelegd

TL;DR

• Een lossfunctie meet het verschil tussen de voorspellingen van een model en de werkelijke doelwaarden, en stuurt het algoritme aan om gewichten aan te passen en de nauwkeurigheid te verbeteren.
• Gebruik voor regressie MSE als je grote fouten zwaarder wilt bestraffen, MAE als uitschieters gelijk behandeld mogen worden, of Huber Loss voor een balans tussen beide.
• Voor classificatie werkt Binary Cross-Entropy voor tweeklasseproblemen, Categorical Cross-Entropy voor multiclass, en Hinge Loss voor margin-gebaseerde classifiers zoals SVM's.
• Bibliotheken zoals scikit-learn, TensorFlow en PyTorch hebben de meest gangbare lossfuncties ingebouwd.

Lossfuncties in het kort

De lossfunctie is een meetbare manier om de prestaties en nauwkeurigheid van een machinelearning-model te beoordelen. In dit geval fungeert de lossfunctie als leidraad voor het leerproces binnen een model of algoritme.

De rol van de lossfunctie is cruciaal bij het trainen van modellen en omvat het volgende:

• Prestatiemeting: Lossfuncties bieden een duidelijke maatstaf om de prestaties van een model te evalueren door het verschil tussen voorspellingen en daadwerkelijke resultaten te kwantificeren.
• Richting voor verbetering: Lossfuncties sturen de modelverbetering door het algoritme iteratief de parameters (gewichten) te laten aanpassen om de loss te verlagen en voorspellingen te verbeteren.
• Balans tussen bias en variantie: Effectieve lossfuncties helpen de bias (oversimplificatie) en variantie (overfitting) van een model in balans te brengen, essentieel voor generalisatie naar nieuwe data.
• Beïnvloeding van modelgedrag: Bepaalde lossfuncties kunnen het gedrag van het model beïnvloeden, zoals robuuster zijn tegen uitschieters in data of specifieke fouttypes prioriteren.

Laten we in latere secties de rollen van specifieke lossfuncties verkennen en een gedetailleerde intuïtie en begrip opbouwen.

Wat is een lossfunctie?

De lossfunctie, ook wel de foutfunctie genoemd, is een cruciaal onderdeel in machine learning dat het verschil kwantificeert tussen de voorspelde output van een algoritme en de werkelijke doelwaarden.

Bijvoorbeeld: in een regressieprobleem om autoprijzen te voorspellen op basis van historische data, evalueert een lossfunctie een neurale-netwerkvoorspelling op basis van een trainingssample uit de trainingsset. De lossfunctie kwantificeert het gat of de foutmarge tussen de door het netwerk voorspelde autoprijs en de werkelijke prijs.

De resulterende waarde, de loss, weerspiegelt de nauwkeurigheid van de voorspellingen van het model. Tijdens training gebruikt een leeralgoritme zoals backpropagation de gradiënt van de lossfunctie ten opzichte van de modelparameters om deze parameters aan te passen en de loss te minimaliseren, wat de prestaties op de dataset effectief verbetert.

Vaak worden de termen lossfunctie en costfunctie door elkaar gebruikt; ondanks dat hebben beide termen verschillende definities:

Zoals eerder genoemd, kwantificeert de lossfunctie, ook wel foutfunctie genoemd, hoe goed een enkele voorspelling van het algoritme overeenkomt met de werkelijke doelwaarde. Belangrijk is dat een lossfunctie geldt voor één trainingsvoorbeeld en deel uitmaakt van het leerproces van het model dat het signaal levert waarmee het leeralgoritme de gewichten en parameters bijwerkt.

De costfunctie, soms ook de objectivefunctie genoemd, is een gemiddelde van de loss over de volledige trainingsset met meerdere trainingsvoorbeelden. De costfunctie kwantificeert de prestaties van het model op de hele trainingsdataset.

Laten we dieper ingaan op hoe lossfuncties werken.

Hoe lossfuncties werken

Hoewel er verschillende soorten lossfuncties zijn, werken ze in de basis allemaal door het verschil te kwantificeren tussen de voorspellingen van een model en de werkelijke doelwaarde in de dataset. De officiële term voor deze numerieke kwantificatie is de voorspellingsfout. Het leeralgoritme en de mechanismen in een model zijn geoptimaliseerd om de voorspellingsfout te minimaliseren. Dat betekent dat na het berekenen van de losswaarde, bepaald door de voorspellingsfout, het leeralgoritme deze informatie gebruikt om gewichten en parameters te updaten, wat bij een volgende trainingsronde leidt tot een lagere voorspellingsfout.

Bij het verkennen van lossfuncties, algoritmen en het leerproces binnen neurale netwerken komt vaak Empirical Risk Minimization (ERM) ter sprake. ERM is een aanpak om de optimale parameters van een algoritme te kiezen die het empirisch risico minimaliseren. Het empirisch risico is in dit geval de trainingsdataset.

De risicominimalisatiecomponent van ERM is het proces waarmee het interne leeralgoritme de voorspellingsfout van het algoritme minimaliseert op een bekende dataset, met als uitkomst dat het model naar verwachting goed presteert en nauwkeurig is op een niet-gezien sample dat een vergelijkbare statistische verdeling kan hebben als de data waarop het model oorspronkelijk is getraind.

Typen lossfuncties

Lossfuncties in machine learning kunnen worden gecategoriseerd op basis van de ML-taken waarop ze van toepassing zijn. De meeste lossfuncties worden gebruikt voor regressie- en classificatieproblemen. Bij regressie wordt van het model verwacht dat het continue outputwaarden voorspelt. Bij classificatie geeft het model discrete labels die horen bij een klasse in de dataset.

Hieronder staan standaard lossfuncties en hun geschiktheid voor ML-problemen. De meeste hiervan komen later in dit artikel uitgebreid aan bod.

Lossfuncties voor regressie

Mean Square Error (MSE) / L2 Loss

De Mean Square Error (MSE) of L2-loss is een lossfunctie die de grootte van de fout tussen een voorspelling en een werkelijke output kwantificeert door het gemiddelde te nemen van de kwadratische verschillen tussen voorspellingen en doelwaarden. Door het verschil te kwadrateren worden grotere afwijkingen zwaarder bestraft. Een gemiddelde van de fouten normaliseert de totale fout over het aantal samples in een dataset of observatie.

De wiskundige formule voor Mean Square Error (MSE) of L2-loss is:

MSE = (1/n) * Σ(yᵢ - ȳ)²

Waarbij:

• n het aantal samples in de dataset is
• yᵢ de voorspelde waarde voor de i-de sample is
• ȳ de doelwaarde voor de i-de sample is

Wanneer gebruik je MSE

Begrijpen wanneer je MSE gebruikt is cruciaal bij modelontwikkeling. MSE is een standaard lossfunctie voor de meeste regressietaken omdat het het model aanstuurt om de kwadratische verschillen tussen voorspelling en doel te minimaliseren.

MSE is aan te raden in ML-scenario's waarin het leerproces gebaat is bij het zwaar bestraffen van uitschieters. Deze eigenschappen zijn echter niet altijd geschikt als uitschieters vooral ruis vertegenwoordigen in plaats van betekenisvolle signalen.

Een voorbeeldscenario waarin MSE wordt gebruikt is bij prijsvoorspellingen voor vastgoed of breder: voorspellend modelleren. Het voorspellen van huizenprijzen omvat features zoals aantal kamers, locatie, oppervlakte, afstand tot voorzieningen en andere numerieke kenmerken. Huizenprijzen in een gebied zijn vaak normaal verdeeld, dus het bestraffen van uitschieters is essentieel voor de nauwkeurigheid van het model.

Een kleine procentuele fout kan in vastgoed neerkomen op veel geld. Een fout van 5% op een huis van $200.000 is bijvoorbeeld $10.000. Het kwadrateren van fouten (zoals bij MSE) geeft meer gewicht aan grotere fouten en dwingt het model zo preciezer te zijn, zeker bij hogere waarden.

Mean Absolute Error (MAE) / L1 Loss

Mean Absolute Error (MAE), ook L1-loss genoemd, is een lossfunctie voor regressie die het gemiddelde berekent van de absolute verschillen tussen de voorspelde waarden en de werkelijke doelwaarden. In tegenstelling tot MSE worden de verschillen niet gekwadrateerd; alle fouten krijgen hetzelfde gewicht, ongeacht hun grootte.

De wiskundige formule voor Mean Absolute Error (MAE) of L1-loss is:

MAE = (1/n) * Σ|yᵢ - ȳ|

Waarbij:

• n het aantal samples in de dataset is
• yᵢ de voorspelde waarde voor de i-de sample is
• ȳ de doelwaarde voor de i-de sample is

Wanneer gebruik je MAE

MAE meet het gemiddelde absolute verschil tussen voorspelde en werkelijke waarden. In tegenstelling tot MSE kwadrateert MAE de verschillen niet, waardoor het minder gevoelig is voor uitschieters. Vergeleken met MSE is MAE van nature minder gevoelig voor uitschieters omdat alle fouten gelijk worden gewogen, ongeacht hun grootte.

Dit betekent dat een uitschieter MSE sterk kan scheeftrekken door een onevenredig grote foutbijdrage na kwadrateren, terwijl de impact op MAE veel beperkter is. De invloed van uitschieters op de totale foutmaatstaf is minimaal bij MAE. MSE daarentegen versterkt het effect van uitschieters door het kwadrateren van fouttermen, wat de foutinschatting van het model sterker beïnvloedt.

Een scenario waar MAE geschikt is, is wanneer je uitschieters weinig tot niet wilt bestraffen, bijvoorbeeld het voorspellen van bezorgtijden voor een maaltijdbezorgdienst.

Een bedrijf als UberEats, Deliveroo of DoorDash kan een bezorgschattingsmodel bouwen om klanttevredenheid te verhogen. De bezorgtijd wordt beïnvloed door factoren zoals weer, verkeersincidenten en wegwerkzaamheden.

Het omgaan met deze factoren is cruciaal voor goede schattingen. Een aanpak is om deze gebeurtenissen als uitschieters te classificeren, maar te voorkomen dat ze het getrainde model te veel beïnvloeden. MAE is hier passend omdat het datapunten die uitschieters zijn door wegwerkzaamheden of zeldzame gebeurtenissen minder zwaar laat wegen, waardoor hun effect op de foutmaat en het leerproces afneemt.

MAE geeft uniform foutgewicht aan alle datapunten; in het beschreven scenario zou het zwaar bestraffen van uitschieters kunnen leiden tot over- of onderschatting van bezorgtijden.

Huber Loss / Smooth Mean Absolute Error

Huber Loss of Smooth Mean Absolute Error combineert de gunstige eigenschappen van MAE en MSE in één lossfunctie. Door dit hybride karakter is Huber minder gevoelig voor uitschieters (zoals MAE), maar bestraft het ook kleinere fouten (zoals MSE). Huber Loss wordt eveneens gebruikt bij regressietaken.

De wiskundige formule voor Huber Loss is als volgt:

L(δ, y, f(x)) = (1/2) * (f(x) - y)^2   if |f(x) - y| <= δ
               = δ * |f(x) - y| - (1/2) * δ^2   if |f(x) - y| > δ

Waarbij:

• L de Huber-lossfunctie vertegenwoordigt
• δ de deltaparameter is die de drempel bepaalt voor de overgang tussen het kwadratische en lineaire deel van de lossfunctie
• y de werkelijke waarde of doelwaarde is
• f(x) de voorspelde waarde is

Wanneer gebruik je Huber Loss / Smooth Mean Absolute Error

De Huber-lossfunctie combineert effectief twee componenten die fouten verschillend behandelen, met het omslagpunt bepaald door de drempel δ:

• Kwadratisch component voor kleine fouten: voor fouten kleiner dan δ wordt het kwadratische deel (1/2) * (f(x) - y)^2 gebruikt
• Lineair component voor grote fouten: voor fouten groter dan δ wordt het lineaire deel δ * |f(x) - y| - (1/2) * δ^2 toegepast

Huber Loss werkt dus in twee modi die worden omgeschakeld op basis van de grootte van het verschil tussen doelwaarde en voorspelling. De sleutelterm is delta (δ): een drempel die de grens bepaalt waarop Huber de kwadratische of lineaire berekening hanteert.

Het kwadratische deel van Huber weerspiegelt de voordelen van MSE die uitschieters bestraffen; binnen Huber wordt dit toegepast op fouten kleiner dan delta, wat zorgt voor nauwkeurigere voorspellingen.

Als de berekende fout, het verschil tussen werkelijke en voorspelde waarde, groter is dan delta, gebruikt Huber de lineaire berekening zoals MAE, met minder gevoeligheid voor foutgrootte. Zo wordt voorkomen dat het model grote fouten te zwaar bestraft, zeker als de dataset uitschieters of zeldzame samples bevat.

Lossfuncties voor classificatie

Binary Cross-Entropy Loss / Log Loss

Binary Cross-Entropy Loss (BCE) is een prestatiewaarde voor classificatiemodellen die een voorspelling als kans tussen 0 en 1 geven, corresponderend met de waarschijnlijkheid dat een sample tot een klasse behoort. Bij Binary Cross-Entropy zijn er twee klassen. Een variant, Categorical Cross-Entropy, geldt voor multiclass-scenario's.

Om Binary Cross-Entropy Loss, ook wel Log Loss, te begrijpen, is het nuttig de termen te bekijken.

• Loss: een wiskundige kwantificering van de marge/het verschil tussen de voorspelling en de werkelijke doelwaarde.
• Entropie: een maat voor de mate van willekeur of wanorde in een systeem.
• Cross-entropy: een term uit de informatietheorie die het verschil meet tussen twee kansverdelingen die een observatie beschrijven.
• Binary: een representatie met twee toestanden, 0 of 1. Dit strekt zich uit naar binaire classificatie, waarin we twee klassen (A en B) onderscheiden met 0 voor klasse A en 1 voor klasse B.

Binary Cross-Entropy Loss (of Log Loss) kwantificeert het verschil tussen de voorspelling van een algoritme en de werkelijke doelwaarde door de negatieve som te nemen van de logaritmen van de voorspelde kansen over de samples. BCE komt voor in logistieke regressie en bij het trainen van neurale netwerken die de kans voorspellen dat een sample tot een klasse behoort en intern de sigmoid-activatiefunctie gebruiken.

De wiskundige formule voor Binary Cross-Entropy Loss, ook Log Loss genoemd, is:

L(y, f(x)) = -[y * log(f(x)) + (1 - y) * log(1 - f(x))]

Waarbij:

• L de Binary Cross-Entropy-lossfunctie vertegenwoordigt
• y het ware binaire label is (0 of 1)
• f(x) de voorspelde kans op de positieve klasse is (tussen 0 en 1)

Wanneer gebruik je Binary Cross-Entropy Loss / Log Loss

De bovenstaande vergelijking geldt specifiek wanneer het model tussen twee klassen moet classificeren: binaire classificatie.

Zoals aangegeven door het minteken: ‘-’ berekent BCE de loss als het negatieve van twee termen, en voor meerdere voorspellingen het gemiddelde van het negatieve van de volgende twee termen:

1. De logaritme van de door het model voorspelde kans wanneer de positieve klasse aanwezig is: y * log(f(x))
2. De logaritme van 1 min de voorspelde kans van de negatieve klasse: (1 - y) * log(1 - f(x))

De BCE-lossfunctie bestraft onnauwkeurige voorspellingen, dus voorspellingen die sterk afwijken van de positieve klasse of met hoge entropie. Als onderdeel van het leeralgoritme stimuleert BCE het model om zijn kansvoorspellingen voor de juiste klasse te verfijnen.

Hinge Loss

Hinge Loss is een lossfunctie die wordt gebruikt om classifiers te trainen die de marge tussen datapunten en de beslissingsgrens maximaliseren. Het wordt daarom vooral gebruikt voor maximum-marge-classificaties. Om de maximale marge te garanderen, bestraft Hinge Loss voorspellingen die verkeerd zijn geclassificeerd (aan de verkeerde kant van de margeboundary) én correct geclassificeerde voorspellingen die te dicht bij de beslissingsgrens liggen.

Dit zorgt ervoor dat modellen met vertrouwen boven de drempel van de beslissingsgrens kunnen classificeren. Deze aanpak verbetert de generalisatie, waardoor het model datapunten met een hoge mate van zekerheid nauwkeurig kan classificeren.

De wiskundige formule voor Hinge Loss is:

L(y, f(x)) = max(0, 1 - y * f(x))

Waarbij:

• L de Hinge Loss vertegenwoordigt
• y het ware label of de doelwaarde is (-1 of 1)
• f(x) de voorspelde waarde of de output van de beslisfunctie is

De juiste lossfunctie kiezen

Het kiezen van de juiste lossfunctie voor een algoritme is essentieel, omdat de prestaties sterk afhangen van het vermogen van het algoritme om interne gewichten aan te passen aan de dataset.

De prestaties van een model worden bepaald door de gebruikte lossfunctie, vooral omdat deze het leeralgoritme beïnvloedt dat de fout (loss) of costfunctie minimaliseert. De lossfunctie beïnvloedt dus het vermogen van het model om te leren en zijn gewichten aan te passen aan patronen in de data.

Met een passende lossfunctie kan het leeralgoritme effectief convergeren naar een optimale loss tijdens training en goed generaliseren naar ongeziene samples. Een goed gekozen lossfunctie fungeert als kompas dat het leeralgoritme richting nauwkeurigheid en betrouwbaarheid stuurt en onderliggende patronen vastlegt zonder overfitting of underfitting.

Factoren om te overwegen bij het kiezen van een lossfunctie

Inzicht in het type machinelearning-probleem helpt bepalen in welke categorie lossfunctie je moet zoeken. Verschillende lossfuncties passen bij verschillende ML-problemen.

Classificatie vs. regressie

Classificatietaken gaan meestal over het toewijzen van datapunten aan een specifieke categorie. De output van het model is dan vaak een set waarschijnlijkheden voor elk label.

Cross-entropy is gangbaar voor classificatie. Bij regressie, waar het model een voorspelling moet doen op basis van een set inputs, passen lossfuncties als mean squared error of mean absolute error beter.

Binaire vs. multiclass-classificatie

Binaire classificatie deelt samples in twee categorieën in, terwijl multiclass meer dan twee categorieën omvat. Voor binaire problemen gebruik je bij voorkeur binary cross-entropy. Als er meer dan twee klassen zijn, gebruik je categorical cross-entropy.

Gevoeligheid

Een andere factor is de gevoeligheid van de lossfunctie voor uitschieters. Soms wil je dat uitschieters die de verdeling verstoren tijdens training worden bestraft; dan is MSE geschikt.

In andere gevallen wil je juist minder gevoeligheid voor uitschieters, bijvoorbeeld bij ‘never events’. Zware bestraffing kan dan een slecht presterend model opleveren. MAE is dan toepasselijk. Voor het beste van twee werelden kun je Huber Loss overwegen, dat kleine fouten strenger weegt en de gevoeligheid voor grote uitschieters verlaagt.

Rekenefficiëntie

Rekenkracht is een schaars goed in zowel commerciële als onderzoeks-ML. Toegang tot veel rekenkracht biedt flexibiliteit om met grote datasets te experimenteren en complexere problemen op te lossen. Sommige lossfuncties vergen meer rekenwerk, zeker bij grote datasets. De rekenefficiëntie van een lossfunctie is daarom een factor bij de keuze.

Impact van uitschieters en dataverdeling

Uitschieters zijn samples die buiten de algemene statistische verdeling van een dataset vallen; ze worden ook wel anomalieën of onregelmatigheden genoemd. Hoe je uitschieters behandelt, bepaalt mede de prestaties en nauwkeurigheid van het getrainde model.

Zoals eerder genoemd, beïnvloeden uitschieters de foutwaarden in lossfuncties, afhankelijk van de gekozen functie. Dit effect werkt door in het leerproces en kan tot bedoeld of onbedoeld modelgedrag leiden.

MSE bestraft bijvoorbeeld uitschieters die grote fouttermen veroorzaken; tijdens training worden gewichten dan aangepast om met deze uitschieters om te gaan. Als dat niet het gewenste gedrag is, zal het eindmodel slecht generaliseren naar ongeziene data. Als je de impact van uitschieters wilt beperken, zijn MAE en Huber Loss geschikter.

Lossfuncties implementeren

Voorbeelden van het implementeren van veelgebruikte lossfuncties

Implementatie van MAE in Python

# Python implementation of Mean Absolute Error (MAE)

def mean_absolute_error(actual:list, predicted:list) -> float:
    """
    Calculate the Mean Absolute Error between actual and predicted values

    :param actual: list, actual values
    :param predicted: list, predicted values
    :return: float, the calculated MAE
    """
    # Ensure the length of the two lists are the same
    if len(actual) != len(predicted):
        raise ValueError("The length of actual values and predicted values must be the same")

    # Calculate the absolute differences
    absolute_diffs = [abs(act - pred) for act, pred in zip(actual, predicted)]
    
    # Calculate the mean of the absolute differences
    mae = sum(absolute_diffs) / len(actual)
    
    return mae

# Example usage:
# actual values
y_true = [3, -0.5, 2, 7]

# predicted values
y_pred = [2.5, 0.0, 2, 8]

# Calculate MAE
mae_value = mean_absolute_error(y_true, y_pred)
print(mae_value)
# 0.5

Implementatie van MSE in Python

# Python implementation of Mean Squared Error (MSE) / L2 Loss

def mean_squared_error(actual:list, predicted:list) -> float:
    """
    Calculate the Mean Squared Error between actual and predicted values

    :param actual: list, actual values
    :param predicted: list ,predicted values
    :return: float, the calculated MSE
    """
    # Ensure the length of the two lists are the same
    if len(actual) != len(predicted):
        raise ValueError("The length of actual values and predicted values must be the same")

    # Calculate the squared differences
		# (yᵢ - ȳ)²
    squared_diffs = [(act - pred) ** 2 for act, pred in zip(actual, predicted)]
    
    # Calculate the mean of the squared differences
    mse = sum(squared_diffs) / len(actual)
    
    return mse

# Example usage:
# actual values
y_true = [1, 2, 3, 4, 5]

# predicted values
y_pred = [1.1, 2.2, 2.9, 4.1, 4.9]

# Calculate MSE
mse_value = mean_squared_error(y_true, y_pred)
print(mse_value)
# 0.015999999999999993

Het gebruik van bibliotheken voor lossfuncties

Hoewel een eigen implementatie van lossfuncties mogelijk is, en deep-learningbibliotheken zoals TensorFlow en PyTorch maatwerk-loss ondersteunen in neurale netwerken, bieden bibliotheken zoals scikit-learn, TensorFlow en PyTorch ingebouwde implementaties van veelgebruikte lossfuncties.

Deze vooraf geïntegreerde functionaliteit maakt het eenvoudig om ze te gebruiken en verbergt de complexiteit van de implementatie, wat de ontwikkeling van ML-modellen stroomlijnt.

Het gebruik van deze deep-learningbibliotheken biedt voordelen ten opzichte van pure Python-implementaties, waaronder:

• Gebruiksgemak
• Efficiëntie en optimalisatie
• Ondersteuning voor GPU en parallelle computing
• Community-ondersteuning

Mean Absolute Error (MAE) met de scikit-learn-bibliotheek

from sklearn.metrics import mean_absolute_error

# actual values
y_true = [3, -0.5, 2, 7]

# predicted values
y_pred = [2.5, 0.0, 2, 8]

# Calculate MAE using scikit-learn
mae_value = mean_absolute_error(y_true, y_pred)
print(mae_value)
#0.5

Mean Squared Error (MSE) met de scikit-learn-bibliotheek

from sklearn.metrics import mean_squared_error

# actual values
y_true = [1, 2, 3, 4, 5]

# predicted values
y_pred = [1.1, 2.2, 2.9, 4.1, 4.9]

# Calculate MSE using scikit-learn
mse_value = mean_squared_error(y_true, y_pred)
print(mse_value)
# 0.016

Conclusie

Samengevat: het kiezen van de juiste lossfunctie is cruciaal voor effectieve training van ML-modellen. Dit artikel belichtte belangrijke lossfuncties, hun rol in algoritmen en hun geschiktheid voor verschillende taken. Van Mean Squared Error (MSE) tot Huber Loss: elke functie heeft unieke voordelen, variërend van omgaan met uitschieters tot het balanceren van bias en variantie.

De keuze tussen maatwerk of ingebouwde lossfuncties uit bibliotheken zoals scikit-learn, TensorFlow en PyTorch hangt af van projectspecifieke behoeften, rekenefficiëntie en expertise. Deze bibliotheken bieden gebruiksgemak, voortdurende community-ondersteuning en regelmatige updates.

Ondanks de evolutie van machine learning blijft het belang van lossfuncties constant. Toekomstige trends brengen mogelijk meer gespecialiseerde lossfuncties, maar de basisprincipes blijven waarschijnlijk overeind. Voor een diepere duik in ML en toepassingen, bekijk DataCamp’s Machine Learning Scientist with Python-track.