100% satisfaction guarantee Immediately available after payment Both online and in PDF No strings attached
logo-home
Samenvatting Business Intelligence $7.54   Add to cart

Summary

Samenvatting Business Intelligence

 60 views  1 purchase
  • Course
  • Institution

Deze samenvatting is in het Nederlands geschreven wat het makkelijker maakt om te leren aangezien het handboek in het Engels is. De samenvatting is gebaseerd op het handboek + de geziene slides in de lessen BI (). De samenvatting is aangevuld met een overzichtelijke inhoudstabel waarin je duide...

[Show more]

Preview 6 out of 129  pages

  • February 17, 2023
  • 129
  • 2021/2022
  • Summary
avatar-seller
Business intelligence
samenvatting
2021-2022

,Inhoud
1.0 INTRODUCTIE BUSINESSINTELLIGENCE.................................................................................................................4

WAAROM IS DATA SCIENCE BELANGRIJK VOOR BEDRIJVEN?..............................................................4

1.1 DATA-ANALYTICALTHINKING..............................................................................................................................7

INTRODUCTIE.......................................................................................................................................7

WAAROM DATA-ANALYTICAL THINKING EN DATA SCIENCE?..............................................................7

VOORBEELDEN...................................................................................................................................10

WAT IS DATA-ANALYTICAL THINKING?..............................................................................................11

WAT IS DATA SCIENCE OF DATAWETENSCHAP?................................................................................13

SAMENVATTING.................................................................................................................................15

1.2 BUSINESS PROBLEMS ANDDATASCIENCE SOLUTIONS............................................................................................13

VERSCHILLENDE DATAMINING TAKEN...............................................................................................13

SUPERVISED VERSUS UNSUPERVISED METHODS...............................................................................15

HET DATAMINING PROCES.................................................................................................................16

ANDERE ANALYSETECHNIEKEN EN -TECHNOLOGIEËN.......................................................................18

2.1 INTRODUCTION TO PREDICTIVEMODELING.........................................................................................................21

INLEIDING..........................................................................................................................................21

TERMINOLOGIE..................................................................................................................................21

SUPERVISED SEGMENTATIE...............................................................................................................22

HET SELECTEREN VAN INFORMATIEVE ATTRIBUTEN.........................................................................23

SUPERVISED SEGMENTATIE MET BOOMSTRUCTUURMODELLEN......................................................26

ANDERE VOORSTELLINGEN................................................................................................................29

PROBABILITY ESTIMATION OF WAARSCHIJNLIJKHEIDSSCHATTING....................................................30

2.2 FITTING A MODEL TO DATA..............................................................................................................................32

INLEIDING..........................................................................................................................................32

LINEAR DISCRIMINANT FUNCTIONS...................................................................................................32

SUPPORT VECTOR MACHINES (SVM).................................................................................................35

REGRESSION VIA MATHEMATICAL FUNCTIONS.................................................................................36

CLASSIFICATION: SCORING AND RANKING.........................................................................................36

WHAT IF THE DATA IS NON-LINEAR?.................................................................................................40

1

,3.1 OVERFITTING AND ITSAVOIDANCE....................................................................................................................41

OVERFITTING.....................................................................................................................................41

VOORSPELLINGSTECHNIEKEN VOOR OVERFITTING...........................................................................42

WAAROM IS OVERFITTEN SLECHT?....................................................................................................46

CROSS VALIDATION............................................................................................................................47

LEARNING CURVES.............................................................................................................................48

HET VERMIJDEN VAN OVERFITTING EN COMPLEXITEITSCONTROLE..................................................49

3.2 SIMILARITY, NEIGHBORSANDCLUSTERS..............................................................................................................53

GEBRUIK VAN SIMILARITY..................................................................................................................53

AFSTAND............................................................................................................................................53

NEAREST-NEIGHBOUR REASONING (NN)...........................................................................................54

CLUSTERING AS SIMILARITY-BASED SEGMENTATION........................................................................62

4.1 DECISIONANALYTICALTHINKING: WHAT IS A GOOD MODEL...................................................................................66

INTRODUCTIE.....................................................................................................................................66

EVALUEREN VAN CLASSIFIERS............................................................................................................66

GENERALIZING BEYOND CLASSIFIERS.................................................................................................69

EXPECTED VALUE FRAMEWORK.........................................................................................................70

BASELINE PERFORMANCE EN IMPLICATIES VOOR INVESTERINGEN IN GEGEVENS............................74

4.2 VISUALISING MODELPERFORMANCE.................................................................................................................76

RANKING IN PLAATS VAN CLASSIFICEREN..........................................................................................76

WINSTCURVES....................................................................................................................................77

ROC EN AUC.......................................................................................................................................78

CUMULATIEVE RESPONS- EN LIFTCURVES.........................................................................................81

VOORBEELD CHURNPREDICTION.......................................................................................................82

5.1 EVIDENCE ANDPROBABILITIES..........................................................................................................................86

VOORBEELD.......................................................................................................................................86

COMBINING EVICENCE PROBABILISTICALLY.......................................................................................86

JOINT PROBABILITY AND INDEPENDENCE..........................................................................................86

BAYES' RULE.......................................................................................................................................87

EEN MODEL VAN BEWIJSVOERING "LIFT"..........................................................................................90


2

, SAMENVATTING.................................................................................................................................91

5.2 REPRESENTING AND MININGTEXT.....................................................................................................................92

DATA PREPARATION..........................................................................................................................92

WAAROM IS TEKST BELANGRIJK?.......................................................................................................92

WAAROM IS TEKST MOEILIJK?...........................................................................................................92

REPRESENTATION - WEERGAVE.........................................................................................................92

BEYOND BAG OF WORDS...................................................................................................................96

VOORBEELD: DATAMINING OM DE KOERSBEWEGING TE VOORSPELLEN..........................................98

6.1 DECISIONANALYTICALTHINKING: TOWARDANALYTICALENGINEERING...................................................................101

CHARITY MAILING............................................................................................................................101

SELECTION BIAS...............................................................................................................................103

CHURNPROBLEEM...........................................................................................................................103

6.2 OTHER DATASCIENCE TASKS ANDTECHNIQUES...................................................................................................106

CO-OCCURRENCE GROUPING (ASSOCIATIONS DISCOVERY)............................................................106

PROFILING........................................................................................................................................108

LINK PREDICTION.............................................................................................................................109

DATA REDUCTION............................................................................................................................109

BIAS, VARIANCE EN ENSEMBLE METHODS.......................................................................................110

CAUSAL MODELING..........................................................................................................................111

6.3 DATASCIENCE AND BUSINESSSTRATEGY............................................................................................................112

HET MAXIMALE HALEN UIT DE RIJKDOM VAN DATA.......................................................................112

HET BEREIKEN VAN CONCURRENTIEVOORDEEL MET DATA SCIENCE..............................................112

BEHOUD VAN HET CONCURRENTIEVOORDEEL MET DATA SCIENCE................................................112

SUPERIOR DATA SCIENCE MANAGEMENT.......................................................................................113

EVALUEREN VAN DATA SCIENCE PROJECT VOORSTELLEN...............................................................114

6.4 CONCLUSION...............................................................................................................................................116

DE FUNDAMENTELE CONCEPTEN VAN DATAWETENSCHAP............................................................116

MINING MOBILE DEVICE DATA........................................................................................................116

WAT DATA NIET KAN DOEN.............................................................................................................117

PRIVACY EN ETHIEK..........................................................................................................................117


3

,C. 0,43 ik had dit ( 3/7) ik ook, ik ook ik ook ik ook => FOUT..........................................................................................118

D. Allemaal aanspreken (had ik ook, 375*5,14 - 0,1*1125 = 1815 cost-benefit matrix........................................................118

0 0 het is A! Zie voorbeeldexamen Wrm zou het nog eens A zijn als het vb examen?? Ik heb alle mogelijke antwoorden apart
opgelost en bij deze oefening was D de juiste normaal Als Je de werkmethode van het vb examen had toegepast tenminste. . .118

B. als instellingen in weka niet aangepast worden, zelfde accuracy deze? Ik ook, ik ook dit is fout -> neen dit is juist, heb het net
getest in weka, weka neemt altijd dezelfde seed tenzij je dit manueel aanpast................................................................119

D. Minder werkers gebruiken (had ik ook, idem) ( ik ook) (ik ook) ik ook, ook..................................................................119

A. K-mean iteratie centroïde cluster (ik had deze) (ik ook) (ik ook) ik ook.........................................................................119

D. JUISTE ANTWOORD IS META (ik ook)..................................................................................................................120

A. Model 1: C, model 2: A, model 3: B.....................................................................................................................120

D. Slechts 1 van alle waardes van het attribuut wordt gebruikt in de dataset (waarde altijd hetzelfde) logisch want als de waarde
van het attr overal hetzelfde is, is het totaal nutteloos xd.............................................................................................121

A. om rekening te houden met lengte van documenten.............................................................................................121

A. 0,75.............................................................................................................................................................121

B. 2, 4, 5, 7, 8, 10 zijn bad......................................................................................................................................122

A. Taak 1: description unsupervised + Taak 2: prediction supervised (is toch deze?) je hebt een target value bij taak 2 dus
supervised........................................................................................................................................................122

D. 5/6 ik heb deze 5 van de 6 positieven juist door die treshold dus ⅚. ik ook! ik ook! nono, ik ook, TP-Rate = TP/(TP+FN) -> 5/6. 122

B. 4,22.............................................................................................................................................................122
1.0 INTRODUCTIE BUSINESSINTELLIGENCE
WAAROM IS DATA SCIENCE BELANGRIJK VOOR BEDRIJVEN?
Wet van de massale digitale opslag
De hoeveelheid gegevens verdubbelt op jaarbasis. Het aantal data dat we in 2020 gaan opslaan is
gelijk aan al de data die we zijn beginnen opslaan sinds 1960 tot 2019. De kosten voor het opslaan
van gegevens zijn elk jaar exponentieel goedkoper.

Big data
Big data is een brede verzameling van gegevens uit verschillende bronnen. Je hebt veel heterogene
bronnen die data uitzenden. Bedrijven moeten die data verzamelen en er iets mee doen.
Voorbeelden zijn machines met hun eigen ERP-systeem, telefoongesprekken van klanten, internet
ofthings…

Maslows hiërarchie van big data
Gegevens, informatie en kennis worden beschouwd als het gebied van wetenschap en
bewijsvoering. Wijsheid wordt beschouwd als het gebied van de beslissingen. Maslow zegt dus dat
data de basis is en dat die data aangewend kan worden om er zo informatie uit te halen. Die
informatie is omzetbaar in kennis en die kennis zal leiden tot wijsheid.



4

, Data warehouses en data marts
Een bedrijf bestaat uit interne en externe data. Al die data wordt in een warehouse gestructureerd
en opgeslagen. Als er dan een bepaald probleem opgelost moet worden, dan kunnen ze uit de data
ware- house informatie halen. Die data is zelden in die vorm beschikbaar om direct een
bedrijfsprobleem op te lossen. Je zal de data moeten manipuleren.




5

The benefits of buying summaries with Stuvia:

Guaranteed quality through customer reviews

Guaranteed quality through customer reviews

Stuvia customers have reviewed more than 700,000 summaries. This how you know that you are buying the best documents.

Quick and easy check-out

Quick and easy check-out

You can quickly pay through credit card or Stuvia-credit for the summaries. There is no membership needed.

Focus on what matters

Focus on what matters

Your fellow students write the study notes themselves, which is why the documents are always reliable and up-to-date. This ensures you quickly get to the core!

Frequently asked questions

What do I get when I buy this document?

You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.

Satisfaction guarantee: how does it work?

Our satisfaction guarantee ensures that you always find a study document that suits you well. You fill out a form, and our customer service team takes care of the rest.

Who am I buying these notes from?

Stuvia is a marketplace, so you are not buying this document from us, but from seller martijnkirilov. Stuvia facilitates payment to the seller.

Will I be stuck with a subscription?

No, you only buy these notes for $7.54. You're not tied to anything after your purchase.

Can Stuvia be trusted?

4.6 stars on Google & Trustpilot (+1000 reviews)

73918 documents were sold in the last 30 days

Founded in 2010, the go-to place to buy study notes for 14 years now

Start selling
$7.54  1x  sold
  • (0)
  Add to cart