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

1. De leerling centraal
Iedere leerling aandacht op maat
Peter de Haas & Marian Dragt
1

2. • Introductie
• Wat is Azure, wat is machine learning
• Inleiding naar het project
• Machine learning toegepast en de resultaten
• Vragen

3. Introductie

4. Introductie

5. Breinwave
Peter de Haas
peter.dehaas@breinwave.nl
+31655776574
@dehaaspeter
MD2C
Marian Dragt
mdragt@md2c.nl
+31654957083
@mariandragt

6. Wat is Azure?
Wat is Machine
Learning?

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. 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. Wat is Machine Learning?
Computer systemen die slimmer worden
door ervaring
“Ervaring” = historische data + menselijke input

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. Het
Microsoft
data
platform
Extract, transform, loadSingle query model Data kwaliteit Master data management

Power BI for
Azure Machine Learning
Azure HDInsight

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. 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. Basisvraag voor
model: behaalt een
student een diploma?

15. Opleiding
We weten best veel
van onze studenten
Maar is deze informatie ook bruikbaar?
Leeftijd
Geslacht
Nationaliteit
Vooropleiding Aanwezigheid
StudievertragingType leerweg
Spijbelen

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. Voorbeeld van databewerking

18. Voorbeeld van model in Azure ML Studio

19. Voorbeeld van model beoordeling

20. Voorbeeld van voorspelling in Power BI

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. 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