Alles wat je moet weten voor het tentamen van Intelligente Data-analyse: over operationaliseren, soorten variabelen, basisstatieken, betrouwbaarheidsintervallen, bias, lineaire regressie, ROC-curve, decision tree etc. Nutige begrippen in het blauw. Inclusief functies van pandas (Python). Inclusief ...
Week 1: Introductie................................................................................................................................................ 2
College 1 ................................................................................................................................................................................... 2
Data en variabelen ................................................................................................................................................................. 2
Basisstatistieken ..................................................................................................................................................................... 2
Werkcollege ............................................................................................................................................................................. 3
Week 2: Sampling en bias .................................................................................................................................... 3
College 2 ................................................................................................................................................................................... 3
Week 3: Sampling en betrouwbaarheidsintervallen ........................................................................................ 4
College 3 ................................................................................................................................................................................... 4
Hypothesis testing ................................................................................................................................................................. 5
Data processing leftovers .................................................................................................................................................... 5
Week 4: Statistische modellen en lineaire regressie ....................................................................................... 5
College 4 ................................................................................................................................................................................... 5
Lineaire regressie ................................................................................................................................................................... 6
Multiple lineaire regressie................................................................................................................................................... 7
Week 5: Biasvariantie trade-off en classificatie ................................................................................................ 7
College 5 ................................................................................................................................................................................... 7
Logistische regressie ............................................................................................................................................................. 9
Decision tree .......................................................................................................................................................................... 10
Week 7: Bias in voorspellende modellen ........................................................................................................ 11
College 7 ................................................................................................................................................................................. 11
1
, Week 1: Introductie
College 1
• Intelligente data-analyse is het gebruiken van data om kwantitatieve inzichten te geven
in maatschappelijke, wetenschappelijke en organisatorische vraagstukken.
o Hiermee kun je problemen in kaart brengen, maar ook nieuwe inzichten,
patronen en kennis opdoen: data-mining.
o Data is ooit gemeten, in een bepaalde tijd en context.
o Met data-analyse gebruik je niet alleen data, maar je genereert ook nieuwe data.
• Operationaliseren.
o Begin met een doel.
o Verfijn het doel door vragen te
stellen.
o Bepaal specifieke meetbare
variabelen.
• Geoperationaliseerde vragen zijn specifiek
en te beantwoorden met de beschikbare data.
o Niet alle vragen kunnen worden beantwoord met data!
Data en variabelen
• Een data-attribuut is een ‘instance’ van een data-object. Soorten data-
attributen/variabelen:
o Nominale of categorische variabelen: eindige set categorieën, niet geordend op
een bepaalde schaal.
▪ Bv.: boolean
o Ordinale variabelen: zijn wel geordend maar niet numeriek.
▪ Bv.: de waarden MBO, HBO, WO
o Numerieke variabelen geschaald op een interval, met een arbitrair nulpunt.
Hierbij kan men geen ratio’s berekenen.
▪ Bv.: temperatuur, positie
o Numerieke variabelen geschaald op een ratio, met een echt nulpunt. Hierbij kan
men wel ratio’s berekenen.
▪ Bv.: snelheid, afstand, aantal objecten
• Variabelen kunnen ook worden onderverdeeld in discrete en continue waarden.
o Discrete variabelen nemen een eindig aantal waarden aan. Deze kunnen
categorisch, ordinaal of numeriek zijn.
o Continue variabelen kunnen elke waarde aannemen. Deze zijn altijd numeriek
(zowel interval- als ratio-geschaald). Omdat meetinstrumenten een beperkte
nauwkeurigheid hebben, worden continue waarden vaak gediscretiseerd.
Basisstatistieken
• Het steekproefgemiddelde is de centrale tendens: np.mean().
• De sample/empirische standaarddeviatie is een maat van de verspreiding van de data,
en is gevoelig voor uitschieters: np.std().
2
Les avantages d'acheter des résumés chez Stuvia:
Qualité garantie par les avis des clients
Les clients de Stuvia ont évalués plus de 700 000 résumés. C'est comme ça que vous savez que vous achetez les meilleurs documents.
L’achat facile et rapide
Vous pouvez payer rapidement avec iDeal, carte de crédit ou Stuvia-crédit pour les résumés. Il n'y a pas d'adhésion nécessaire.
Focus sur l’essentiel
Vos camarades écrivent eux-mêmes les notes d’étude, c’est pourquoi les documents sont toujours fiables et à jour. Cela garantit que vous arrivez rapidement au coeur du matériel.
Foire aux questions
Qu'est-ce que j'obtiens en achetant ce document ?
Vous obtenez un PDF, disponible immédiatement après votre achat. Le document acheté est accessible à tout moment, n'importe où et indéfiniment via votre profil.
Garantie de remboursement : comment ça marche ?
Notre garantie de satisfaction garantit que vous trouverez toujours un document d'étude qui vous convient. Vous remplissez un formulaire et notre équipe du service client s'occupe du reste.
Auprès de qui est-ce que j'achète ce résumé ?
Stuvia est une place de marché. Alors, vous n'achetez donc pas ce document chez nous, mais auprès du vendeur sganoud. Stuvia facilite les paiements au vendeur.
Est-ce que j'aurai un abonnement?
Non, vous n'achetez ce résumé que pour €2,99. Vous n'êtes lié à rien après votre achat.
