13 januari 2017 • januari 13, 2017 at 7:45 pm Qdraw

Minor Meaningfull datadesign 2017

Op vrijdag 13de januari was de eindexpositie van de minor Meaningful Data Design. In deze minor ligt de nadruk op het op een andere manier de data visualiseren. Denk hierbij aan interactieve webapps tot interactieve installaties. Vorig jaar heb ik zelf deze minor afgerond tijdens mijn studie Communicatie en Multimedia Design. Voor deze expositie hadden de studenten de keuze om één van de drie opdrachten te exposeren. De eerste opdracht van de minor was om Romeo en Juliet-data te visualiseren, ze zijn aan de gang geweest om verhuisdata van het CBS te visualiseren. De laatste opdracht was op basis van data van bouwkunde, het gedrag van het stuifzand een visualisatie te ontwikkelen


Minor Meaningfull datadesign 2017 ; | foto 1


Minor Meaningfull datadesign 2017 ; | foto 2


Minor Meaningfull datadesign 2017 ; | foto 3


Minor Meaningfull datadesign 2017 ; | foto 4


Minor Meaningfull datadesign 2017 ; | foto 5


Minor Meaningfull datadesign 2017 ; | foto 6

Dit bericht is geschreven door: Dion

Tags: ,

Gecategoriseerd in:

13 januari 2017 • januari 13, 2017 at 2:30 pm Qdraw

Machine Learning bestaat voor 80% uit data-analyse

Verschillende bedrijven maken actief gebruik van Machine Learning. Een aantal banken zijn bijvoorbeeld met deze vorm van Artificial Intelligence aan de slag gegaan om real-time transacties te analyseren. Zo kan een dergelijk systeem op basis van grote hoeveelheden data voorspellingen doen, die bijvoorbeeld kunnen aantonen of een transactie mogelijk frauduleus is. Erg handig dus!

De trend van geautomatiseerde voorspellingen zal voorlopig nog voortzetten, waarbij new business concepten zullen worden ontwikkeld die van grote waarde kunnen gaan zijn, zoals het voorbeeld van de bancaire sector. Het blijft daarbij noodzaak om met deze technologieën te experimenteren. Voor een mens is het vrijwel onmogelijk om dergelijke voorspellingen met de hand te doen. Daar is de hoeveelheid data te groot voor, toch speelt de mens wel een grote rol in het traject.

Voordat gestart kan worden met het opzetten van een Machine Learning systeem zal eerst een boel data moeten worden geanalyseerd. Uit ervaring blijkt dat data-analyse 80% van de tijd in beslag zal nemen en de laatste 20% zal zitten in het configureren van het Machine Learning algoritme. Dus hoe gaat dat analyseren nu precies in zijn werk? In deze blog leg ik dat in 7 stappen uit.

Allereerst een kleine introductie over wat Machine Learning nu precies doet: het is een systeem dat leert van het gedrag dat een gebruiker vertoont en de data die een gebruiker daarmee achterlaat. In deze data zal het systeem patronen herkennen. Op basis van de patronen ontwikkelt het een algoritme en een model dat de voorspellingen maakt. In het blogartikel ‘Voorspellen of een gebruiker lid blijft‘ vertel ik hoe dat precies in zijn werk gaat. Op basis van het algoritme kan het systeem voorspellingen doen, waarbij het potentie heeft om zelfstandig te kunnen opereren.

Stap 1: Doel bepalen Machine Learning traject

De eerste stap is te bepalen wat er voorspelt moet worden en een doel te koppelen aan het onderzoek. Een doel kan bijvoorbeeld zijn: ‘ik wil kunnen voorspellen of een websitebezoeker een bestelling zal gaan plaatsen.’ Dit geeft richting aan het onderzoek en inzicht in welk probleem er precies opgelost moet worden.

Stap 2: Data verzamelen

In de tweede stap van het Machine Learning traject moet geïnventariseerd worden wat voor data beschikbaar is. Vervolgens is het aan jou om in het systeem aan te geven welke data van belang is en welke data ruis bevat. Dit is een belangrijke stap, omdat op deze wijze het systeem in de juiste richting gestuurd wordt en gaat begrijpen wat de juiste voorspellingen moeten zijn. Om deze stap te kunnen nemen moet de data inzichtelijk worden gemaakt. Samenvatten en visualiseren van de data helpt om daar grip op te krijgen.

Stap 3: Samenvatten van data

Een goede samenvatting van de data kan helpen inzicht te krijgen in verschillende datastructuren en te controleren of de dataset zuiver is. Het is namelijk van belang de dataset zo zuiver mogelijk te krijgen. In feite ga je in deze stap beginnen met de data te analyseren.

Om een goede samenvatting te maken zal je een antwoord moeten krijgen op een aantal vragen zoals: hoe is de data opgebouwd? Wat voor categorieën worden er gebruikt? Wat betekenen de waardes van de data? Gaat het om een getal, of een getal met decimalen? Wat is de hoogste waarde? Wat voor eigenschappen heeft deze waarde nog meer en hoe wordt deze toegepast? Is het mogelijk om gemiddelden te maken? Zijn er belangrijke uitschieters en wat houden deze in?

Wanneer eventuele correlaties en lineaire verbanden onderzocht moeten worden kunnen de waardes gecontroleerd worden aan de hand van de correlatiecoëfficiënt van Pearson. Mocht het gaan om waardes op ordinaal niveau, dus een rangschikking, kan gebruik worden gemaakt van de Spearman’s rang-correlatie, waarbij de data vervangen wordt door rangnummers en alsnog een correlatie kan worden berekend.

Zoeken naar waardevolle data in een zee vol informatie. De tekst gaat verder na de afbeelding


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 1

Stap 4: Functionele datavisualisatie

Ook is het handig om data visueel te maken. Grafieken en tabellen kunnen inzicht geven in mogelijk interessante structuren. Een mogelijkheid is gebruik te maken van een histogram of scatterplot. Let hierbij op de verschillende groepen en de eventuele verspreiding van deze groepen.

Er zijn verschillende tools om datavisualisaties te maken. Je zou deze visualisaties kunnen maken met R-Studio. R-Studio maakt gebruik van de programeertaal R. De programeertaal R is ontwikkeld voor statistiek en data-analysedoeleinden en wordt ook veel gebruikt voor Machine Learning.

Een histogram kan gebruikt worden om een beter beeld te krijgen bij de getallen. Bij een eenvoudige dataset kun je eventuele verbanden nog aflezen, maar als het complexer wordt is aan te raden om een hulpmiddel, zoals het histogram te gebruiken. De tekst gaat verder na de afbeelding.


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 2

Een andere methode die gebruikt kan worden om data visueel te maken is het scatter plot. Dit is een twee dimensionele weergave van een structuur, waarin twee variabelen worden weergegeven en het mogelijk maakt om een eerste indruk te krijgen van eventuele correlaties te ontdekken. Op deze manier krijg je een eerste indruk van de data.

Een voorbeeld kan zijn de eruptiedata van de ‘Old Faithful’ geiser in Yellowstone. Waarbij er twee assen zijn: de wachttijd tussen de erupties en de duur van de eruptie. De tekst gaat verder na de afbeelding.


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 3

Stap 5: Opstellen onderzoeksvraag

Wanneer de data geanalyseerd is en het doel van het onderzoek duidelijk, is de volgende stap om een onderzoeksvraag op te stellen, om vervolgens te bepalen welke data nodig zijn om het model te trainen. In de blogpost ‘De 6 must-know’s voordat je start met Machine Learning’ geef ik een aantal handvaten over het opstellen van een goede onderzoeksvraag, om de juiste inzichten en voorspellingen uit het systeem te krijgen. Hierin staan ook de verschillende vormen van Machine Learing beschreven welke je in de volgende stappen nodig bent.

Stap 6: Traningsdata (Pre-processing modules)

Nu het doel bepaald is, de gegevens klaar staan en een onderzoeksvraag is opgesteld, is het tijd om het voorspellend model te gaan bouwen en te trainen. Het is mogelijk om een algoritme van tevoren te trainen met behulp van een trainingsdataset. In het hypothetische geval dat er voorspeld moet worden of een websitebezoeker een bestelling zal gaan plaatsen kan een dergelijke trainingsdataset bestaan uit het aantal frequenties dat een bepaald type handeling is uitgevoerd.

In mijn eerdere blogpost ‘Voorspellen of een gebruiker lid blijft’ wordt dieper ingegaan op het proces van trainen van het model en hoe we dit precies doen aan de hand van het machine learning itaration model. In het model wordt ‘stap 6’: ‘Pre-processing modules’ genoemd. De tekst gaat verder na de afbeelding.


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 4

Stap 7: ‘Machine Learning algorithm’ toepassen

Op basis van de trainingsdata wordt het Machine Learning algoritme gevoed. Dit komt omdat het model steeds weer resultaten produceert, die gebruikt worden om oude algoritmes te verbeteren. Oftewel de uitkomst van elke stap leert of alle voorgaande stappen goed zijn uitgevoerd, maar het is aan jou om het juiste algorimte te kiezen en de waardes te tweaken.

Mocht de wereld van toegepaste data-analyse en Machine Learning je interesse hebben gekregen, maar je hebt nog de nodige vragen? Laten we dan eens een kop koffie drinken.

Voor dit blogartikel heb ik gebruikt gemaakt van de volgende bronnen: MachineLearningMastery, Gartner, R-tutor en Stackoverflow.

Deze blogpost verscheen op Colours.nl en op de weblog van Dion van Velde. Credits voor dit artikel gaan ook naar onze ‎Online Marketeer: Elizabeth Geul, zij heeft bijgedragen aan de tekst door deze te redigeren.

Dit bericht is geschreven door: Dion

Tags: , , ,

Gecategoriseerd in:

8 januari 2017 • januari 8, 2017 at 1:06 pm Qdraw

Parken in Den Bosch (2017)

Bastion Oranje is een verdedigingswerk aan de stadsmuren van ‘s-Hertogenbosch. Deze verdedigingswerken zijn gebouwd in opdracht van de Staatse overheid tijdens de Tachtigjarige Oorlog. Het bouwwerk is gebouwd 1634. Het Staatse leger was het leger van de Republiek der Zeven Verenigde Nederlanden.


Parken in Den Bosch (2017) ; | foto 1


Parken in Den Bosch (2017) ; | foto 2


Parken in Den Bosch (2017) ; | foto 3


Parken in Den Bosch (2017) ; | foto 4


Parken in Den Bosch (2017) ; | foto 5

Deze blogpost verscheen voor het eerst op Qdraw.nl

Dit bericht is geschreven door: Dion

Tags: , ,

Gecategoriseerd in:

30 december 2016 • december 30, 2016 at 7:34 pm Qdraw

Urban Apeldorn Emsland (2016)

Een brand kan het hele huis verwoesten. Helaas komen woningbranden zo’n 50 keer per jaar voor in Nederland. Heel vervelend voor de betrokken. Maar als het dan voorkomt dan kan dit zorgen voor zo’n urban setting. In dit huis was het dak compleet ingestort en op sommige plekken waren de ramen gesprongen. Hieronder urban fotografie serie.


Urban Apeldorn Emsland (2016) ; Urban, Meppen, auto, brand | foto 1


Urban Apeldorn Emsland (2016) ; Urban, Meppen, schuur, brand, Stalramen | foto 2


Urban Apeldorn Emsland (2016) ; woonkamer, brand, urban | foto 3


Urban Apeldorn Emsland (2016) ; huis, brand, dak, urban, meppen, zolder, Woonkamer | foto 4


Urban Apeldorn Emsland (2016) ; Brand, urban, dak, steen, muren | foto 5


Urban Apeldorn Emsland (2016) ; schuur, Hooischudder, dakpannen, schudder, landbouw | foto 6

Deze blogpost verscheen voor het eerst op Qdraw Blog

Dit bericht is geschreven door: Dion

Tags: , , ,

Gecategoriseerd in:

30 december 2016 • december 30, 2016 at 3:39 pm Qdraw

Dankernsee Emsland (2016)

De Dankernsee is een meer dat is uitgegraven ten behoeve van de zand- en grindwinning. De plas heeft het hele jaar lichtblauw water. Opvallend is het goede zicht dat vaak het hele jaar constant blijft. Voor de liefhebber zijn er faciliteiten waaronder een duikschool, met vulstation en een afgezet duikgebied. Daarnaast is er ook een kabelbaan aanwezig. Wij hebben een rondje gewandeld in deze bosrijke omgeving.


Dankernsee Emsland (2016) ; Dankernsee, Emsland, wrakhout, meer, winter | foto 1


Dankernsee Emsland (2016) ; Dankernsee, Emsland, berk, zicht | foto 2


Dankernsee Emsland (2016) ; Dankernsee, Emsland, strand, groen, water | foto 3


Dankernsee Emsland (2016) ; Dankernsee, Emsland, zand, strand | foto 4


Dankernsee Emsland (2016) ; Dankernsee, Emsland, kabelbaan | foto 5

Deze blogpost verscheen voor het eerst op Qdraw blog

Dit bericht is geschreven door: Dion

Tags: , ,

Gecategoriseerd in:

19 december 2016 • december 19, 2016 at 8:03 pm Qdraw

Kerst in Oud Kampen (2016)

In het weekend voor de kerst staat de historische binnenstad van Kampen in het teken van het openlucht straattheaterfestival ‘Kerst in Oud Kampen’. Dit tweedaagse evenement speelt zich af in de oude binnenstad van Kampen. Zo wordt een groot deel van de binnenstad gebruikt als theater. Op podia op straat, in de etalages en in de gezellige buurten was de sfeer goed.

Diverse theatergezelschappen, koren, fanfares en straatmuzikanten maakten van de straten van Kampen een levend museum. Er was een route uitgezet door de pittoreske binnenstad. In deze fotoserie heb ik geprobeerd om deze sfeer te vangen in de foto’s.


Kerst in Oud Kampen (2016) ; Popkoor 4 You – Kampen, Stadsgehoorzaal Kampen, Oud Kampen | foto 1


Kerst in Oud Kampen (2016) ; Quintus Sax Ensemble, Stadsgehoorzaal Kampen, Oud Kampen | foto 2


Kerst in Oud Kampen (2016) ; China girls, Oud kampen, china | foto 3


Kerst in Oud Kampen (2016) ; Mary Poppins, paraplu, nanny, kampen, oud kampen | foto 4


Kerst in Oud Kampen (2016) ; Hell on Wheels, Wall of death, henry kroeze and co, steilewand | foto 5


Kerst in Oud Kampen (2016) ; hek, dans, moves, oud kampen | foto 6


Kerst in Oud Kampen (2016) ; Dans voorstelling, kerk, mgr. zwijsen school | foto 7


Kerst in Oud Kampen (2016) ; oud kampen, trompet, blazers, kampen | foto 8


Kerst in Oud Kampen (2016) ; portret, oud kampen, kampen, groen | foto 9

Deze blog verscheen voor het eerst op Qdraw.nl

Dit bericht is geschreven door: Dion

Tags: , ,

Gecategoriseerd in: