Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Predictive analytics

261 views

Published on

Maandag 9 november
Sessieronde 1
Titel: Predictive analytics
Spreker(s): Peter de Haas (Breinwave), Marian Dragt (MD2 Consultancy)
Zaal: Mees

Published in: Education
  • Login to see the comments

  • Be the first to like this

Predictive analytics

  1. 1. De leerling centraal Iedere leerling aandacht op maat Peter de Haas & Marian Dragt 1
  2. 2. • Introductie • Wat is Azure, wat is machine learning • Inleiding naar het project • Machine learning toegepast en de resultaten • Vragen
  3. 3. Introductie
  4. 4. Introductie
  5. 5. Breinwave Peter de Haas peter.dehaas@breinwave.nl +31655776574 @dehaaspeter MD2C Marian Dragt mdragt@md2c.nl +31654957083 @mariandragt
  6. 6. Wat is Azure? Wat is Machine Learning?
  7. 7. Uitdagingen bij huidige data analyse projecten Integratie met bestaande applicaties 41% Veiligheid en beheersbaarheid 37% Gebrek aan kennis en vaardigheden 59% Data wordt steeds complexer en te veel nieuwe bronnen
  8. 8. De juiste data vinden en gebruiken Wat kunnen we met deze data doen ? Analiseren, voorspellen … Wat gaan we met deze informatie doen randvoorwaarden, voor- delen en consequenties Stappen in een big data project
  9. 9. Wat is Machine Learning? Computer systemen die slimmer worden door ervaring “Ervaring” = historische data + menselijke input
  10. 10. Platform Services Security & Management Infrastructure Services Web Apps Mobile Apps API Management API Apps Logic Apps Notification Hubs Content Delivery Network (CDN) Media Services HDInsight Machine Learning Stream Analytics Data Factory Event Hubs Mobile Engagement Active Directory Multi-Factor Authentication Automation Portal Key Vault Biztalk Services Hybrid Connections Service Bus Storage Queues Store / Marketplace Hybrid Operations Backup StorSimple Site Recovery Import/Export SQL Database DocumentDB Redis Cache Search Tables SQL Data Warehouse Azure AD Connect Health AD Privileged Identity Management Operational Insights Cloud Services Batch Remote App Service Fabric Visual Studio Application Insights Azure SDK Team Project VM Image Gallery & VM Depot
  11. 11. Het Microsoft data platform Extract, transform, loadSingle query model Data kwaliteit Master data management  Power BI for Azure Machine Learning Azure HDInsight
  12. 12. Risico leerlingen Klas- en online Interactie data voor individuele leerlingen. Verzamelt en registreert hoe vaak een leerling een klassikale les volgt, wat de prestaties zijn een hoe vaak en intensief een leerling in online discussies participeert. Voor elke leerling kunnen meer details worden opgevraagd. Voorspellen mogelijke uitval Voorspelt welke leerlingen een verhoogd risico op uitval hebben gebaseerd op (plotselinge) veranderingen in hun prestaties of patroon. Er wordt een machine learning algoritme ingezet om leerlingen te categoriseren in lag, midden of hoog risico niveau. Aggregatie van risico binnen een groter geheel Geeft inzichten en analyses op een hoger aggregatie niveau op klas, school en regional niveau. Een dergelijke aanpak geeft bijv meer inzicht in beleidsmatige veranderingen en hun impact of regionele apsecten die van invloed zijn op een hoger uitvalspercentage. Leerling “Pieter” Samenvatting Bijhouden huidige prestaties Voorspellen uitval Aggregeren en handelen Student Uren in klas Online participatie Logons Pieter 0 15 3 Marie 6 Kees 10 70 5 Cindy 12 4 6 Linda 6 3 8 Online Klas Social media Databases Gebruikers interface 0 20 40 60 80 100 1 1,5 2 2,5 3 3,5 4 Performance Risico Score (5) Risico Niveau Interventie gewenst ? 4.2 Hoog Risico Ja 0% 1% 2% 3% 4% 5% 6% 7% 8% 9% 10% Klas School Regio Laag Gem Hoog Average Identificeren van ‘risico’ leerlingen / uitval
  13. 13. De leerling centraal Beter en proactief inspelen op studievoortgang met Azure en PowerBI 13 Doelstelling • Student centraal zetten • Systemen completer maken om leerlingen op individueel niveau te kunnen volgen en begeleiden Oplossing • Het inzetten van Azure Machine Learning om het student succes te kunnen voorspellen • PowerBI inzetten om resultaten vorm te geven Resultaten • Beter inzicht in welke student begeleiding nodig heeft • Beter zicht op welke data beschikbaar is • Beter inzicht in welke factoren van belang zijn voor het succes van een student
  14. 14. Basisvraag voor model: behaalt een student een diploma?
  15. 15. Opleiding We weten best veel van onze studenten Maar is deze informatie ook bruikbaar? Leeftijd Geslacht Nationaliteit Vooropleiding Aanwezigheid StudievertragingType leerweg Spijbelen
  16. 16. Published Model Devices Applications Dashboards School Data Microsoft Azure Machine Learning Resultaten Storage space Web Microsoft Azure portal Workspace ML Studio Vraagstuk WaardecreatieModeling Deployment • Desktop files • Excel spreadsheet • Other data files on PC Local
  17. 17. Voorbeeld van databewerking
  18. 18. Voorbeeld van model in Azure ML Studio
  19. 19. Voorbeeld van model beoordeling
  20. 20. Voorbeeld van voorspelling in Power BI
  21. 21. We kunnen met 80% accuraatheid voorspellen of een student een diploma gaat halen, zelfs met 89% als we kijken naar het daadwerkelijk behalen van dat diploma, tegenover 69% die dat niet behaalt. Dus iedere student die op basis van voorspelling geen diploma behaalt krijgt extra aandacht. Verdere analyse voor nieuwe inzichten Niveau opleiding Legaal afwezig zijn Aanwezig zijn
  22. 22. Hebben we de juiste data (digitaal) ? Kunnen we het maximale er uit halen ? Voldoen we aan het ICT beleid en wet-en regelgeving ? Starten met een big data / ML project

×