• Begrijp de rol van data mining 
• Begrijp data mining-technieken en pas ze toe 

• Introductie tot data mining 

We beginnen deze cursus met de definitie van data mining en enkele voorbeelden van wat we met data mining kunnen doen, zoals het vinden van verschillende klantgroepen, het voorspellen van klantverloop, of het ontdekken van veelvoorkomende itemsets. 

• Classificatie 

In de volgende hoofdstukken bespreken we hoe data mining werkt. Als eerste verdiepen we ons in de techniek van classificatie. Het stelt ons in staat om voor elk individu in een populatie te voorspellen tot welke van een (kleine) set van klassen dit individu behoort. Enerzijds doet OneRule (OneR) dit door het meest relevante attribuut te zoeken om de klasse te voorspellen. Anderzijds gebruiken beslissingsbomen meerdere attributen om de klasse te voorspellen. 

• Regressie 

Regressie probeert voor elk individu de numerieke waarde van een bepaalde variabele te schatten of voorspellen. We kunnen de waarde van een afhankelijke variabele voorspellen met lineaire regressie als er een lineaire relatie is tussen de afhankelijke en enkele onafhankelijke variabele(n). Wanneer de afhankelijke waarde binair is, is logistische regressie de juiste regressieanalyse om de kans te voorspellen dat het ene of het andere zal gebeuren. 

• Co-occurrence grouping en associatieregels 

Co-occurrence grouping is een datamining-techniek voor het leren van correlaties en associaties tussen variabelen in een dataset, zoals frequente itemsets. We bestuderen hoe het APriori algoritme deze itemsets en associatieregels vindt. 

• Clustering 

We gebruiken clustering om individuen in een populatie te groeperen op basis van hun gelijkenis. We bespreken de clustertechnieken K-means, waarbij de populatie verdeeld wordt in K groepen, waarbij elk individu tot één cluster behoort, en hiërarchische clustering waarbij we een hiërarchie van clusters bouwen

Dit is een klassikale opleiding van 2 dagen. 

Breng je laptop mee.