All data initiatives, whether machine learning, visualization or reporting, rely on clean data. Which means that data preparation is essential to any data-driven organization.

Data science, machine learning en artificial intelligence zijn termen die je tegenwoordig vaak tegenkomt en vaak door elkaar worden gebruikt. Maar wat betekenen deze begrippen eigenlijk en wat is de relatie daartussen?

Bij veel analyses heb je data uit meerdere bronnen nodig. De prijzen van een product, reviews door gebruikers van dat product of weersvoorspellingen die van invloed zijn op de verkoop van dat product, staan immers zelden in één databron.

Zelfs relatief kleine organisaties genereren dagelijks grote hoeveelheden tekst die waarde creëren. Maar het is niet eenvoudig om die waarde eruit te halen gezien de enorme diversiteit en het volume van de gemaakte documenten.

By Lieke Kools, Data Scientist at Vantage AI

This blog is the first in a series of three in which we walk you through a recent project we did on predicting house prices. In this case study we will discuss the entire process: from model development to implementation. Importantly, although we use house-price prediction as an example, the take-away messages will be relevant for any machine learning project, irrespective of the domain.