Ik bouw end-to-end machine learning modellen met preprocessing, training, inzichten

Tot 25k rijen / 5 features, numerieke data. Licht preprocessing (missende waarden, eenvoudige encoding, optioneel schalen) + train/test splitsing. 1 basismodel (classificatie of regressie). Kernmetrics + 1 visual (confusiematrix of ROC). 3–5 korte inzichten. Python code inbegrepen.

Tot 100k rijen / 7 kenmerken. Robuuste preprocessing pipeline (encoding/schaalverdeling, basis data-kwaliteitscontroles). 1 baseline model (Logistic/Linear) + 1 krachtig boom/ensemble model. Metrics + 2–3 visuals (incl. ROC/feature importance indien van toepassing). Licht tuning. Python code + korte README.

Tot 500k rijen / 15 features. Geavanceerd preprocessing + diepere data-kwaliteitscontroles. Vergelijk tot 3 modellen, gerichte hyperparameterafstemming en diepere foutanalyse. 3–5 visuals + interpretatie waar van toepassing. Handover-klare Python code + documentatie.

Ik werk met gestructureerde data in CSV, Excel of vergelijkbare tabelvormen. Typische datasets zijn klantgegevens, verkooprecords, enquêtegegevens of experimentele metingen. Als je dataset erg groot is of in een ander formaat (bijvoorbeeld SQL, JSON), neem dan eerst contact met me op.

Absoluut. Als je al weet welk algoritme je wilt gebruiken (bijvoorbeeld logistieke regressie, decision tree, random forest, KNN), laat het me weten en ik implementeer het. Als je het niet zeker weet, analyseer ik je data en doelen en adviseer ik de meest geschikte aanpak.

Je data kan een aangepaste aanpak vereisen als het bestaat uit: tekstkolommen, categorieën met heel veel verschillende waarden (IDs, e-mails, URLs), veel ontbrekende waarden, sterke klasse-ongelijkheid, meerdere target kolommen, tijdreeksafhankelijkheden, risico op data leakage of zware feature engineering. Stuur me gerust een bericht.