Machine learning
op financieel
nieuws
Tekstclassificatie, sentimentanalyse en nieuwsfiltering - niet als theorie, maar als iets dat je zelf bouwt en begrijpt.
Wanneer het moeilijk wordt
Vastlopen hoort erbij - wat er dan beschikbaar is
Bij elke opdracht zijn er momenten waarop de code niet doet wat je verwacht, of waarop de concepten nog niet volledig op hun plek vallen. Dat is geen teken dat je het verkeerd aanpakt.
Elke workshop bevat toegang tot een besloten omgeving waar deelnemers vragen kunnen stellen aan de begeleiders en aan elkaar. Reacties komen doorgaans binnen één werkdag. Geen geautomatiseerde antwoorden - een begeleider kijkt mee en geeft gerichte feedback op jouw specifieke situatie.
Naast de directe begeleiding bevat elke module een sectie met veelgestelde vragen, gebaseerd op wat eerdere deelnemers tegenkwamen. Veel struikelblokken zijn al eerder beschreven, inclusief de oplossing.
Werkdagen bereikbaar
Vragen via e-mail of het platform worden beantwoord door iemand die de stof kent, niet door een sjabloon.
Wat de workshops bevatten
Geen uitgebreide catalogus, maar een gerichte selectie van onderwerpen die elkaar logisch opvolgen en samen een bruikbaar geheel vormen.
Tekstverwerking met Python
Van ruwe nieuwstekst naar gestructureerde input voor een model. Tokenisatie, stopwoordfiltering en vectorisatie worden stap voor stap opgebouwd.
Sentimentanalyse op nieuwsberichten
Hoe een model leert onderscheid te maken tussen positief, negatief en neutraal nieuws - inclusief de grenzen van die aanpak bij financiële taal.
Classificatie van nieuwscategorieën
Een getraind model dat nieuwsberichten automatisch indeelt op onderwerp. Deelnemers bouwen en evalueren dit model zelf met gelabelde data.
Modelvalidatie en foutanalyse
Precision, recall en confusion matrices - niet als definities, maar als gereedschap om te begrijpen waarom een model fouten maakt en hoe je dat aanpakt.
Praktijkopdrachten met echte datasets
Elke module sluit af met een opdracht op een dataset van gepubliceerde financiële nieuwsberichten. Geen gesimplificeerde voorbeelden.
Werkomgeving en tools
Jupyter Notebooks, scikit-learn en NLTK - geconfigureerd en klaar. De technische setup staat beschreven zodat je meteen aan de slag kunt.
De mensen achter de workshops
Wie de inhoud heeft opgebouwd en begeleidt
De workshops zijn ontwikkeld door mensen die zelf in de praktijk werken met de technieken die ze onderwijzen. Dat betekent dat de opdrachten zijn gebaseerd op situaties die ze zelf zijn tegengekomen, niet op wat er in handboeken staat beschreven.
Elke begeleider heeft een achtergrond in datawetenschap of computationele taalkunde, gecombineerd met ervaring in de financiële sector of journalistiek. Die combinatie bepaalt de keuze van de onderwerpen en de manier waarop ze worden uitgelegd.
Fieke Adriaens
Inhoudelijk begeleider - NLP & tekstclassificatie
Werkt al acht jaar met tekstdata in een onderzoeksomgeving en heeft voor twee Belgische mediabedrijven classificatiesystemen gebouwd. Ze schrijft de opdrachten en geeft feedback op ingediend werk.
Ruben Verschueren
Technisch begeleider - Python & machine learning
Achtergrond in toegepaste informatica, gespecialiseerd in modelvalidatie en data-pijplijnen. Hij beheert de technische omgeving van de workshops en beantwoordt vragen over implementatie.
Na de workshop
Wat blijft hangen als de opdrachten klaar zijn
Het doel is niet dat je de stof herinnert, maar dat je de aanpak begrijpt goed genoeg om hem zelfstandig toe te passen op een nieuw probleem.
Stap 1
Een werkende basiskennis van NLP
Je begrijpt hoe tekstdata wordt omgezet naar iets waar een model mee kan werken - en waarom bepaalde keuzes beter passen bij financiële teksten dan bij andere.
Stap 2
Zelfstandig kunnen evalueren
Je weet hoe je de output van een model beoordeelt - niet alleen of het goed scoort, maar ook waar het structureel faalt en waarom dat ertoe doet.
Stap 3
Code die je zelf hebt geschreven
Alle notebooks die je tijdens de workshop hebt gemaakt, blijven van jou. Ze vormen een startpunt voor eigen projecten, geen wegwerpmateriaal.
Stap 4
Toegang tot de materialen
Na afloop heb je permanente toegang tot de workshopmaterialen. Dat is nuttig als je later op een specifiek onderdeel wilt terugkijken.
Afronden in de praktijk
Wat er concreet verandert als je de workshop hebt doorlopen
Afronden betekent niet dat je expert bent. Het betekent dat je een werkend model hebt gebouwd, de stappen begrijpt die daarvoor nodig waren, en weet waar je moet beginnen als je iets vergelijkbaars opnieuw doet.
Sommige deelnemers gebruiken dat als basis voor een eigen project. Anderen passen het toe in hun huidige werk, bij een nieuwsredactie, een analysefunctie of een technische rol. Wat je ermee doet, is aan jou.
Wat eerdere deelnemers ermee dedenEen compleet afgerond project
Aan het einde van de workshop heb je een nieuwsclassificatiesysteem gebouwd dat werkt op echte data - gedocumenteerd, geëvalueerd en klaar om te tonen.
Begrip van de beperkingen
Je weet wat machine learning goed kan in de context van financieel nieuws, en waar de aanpak tekortschiet. Dat onderscheid is minstens zo waardevol als de technische vaardigheid zelf.
Een vertrekpunt, geen eindpunt
De workshop geeft je genoeg om verder te gaan. Verdere verdieping vereist meer tijd en oefening - dat is eerlijk, en het is ook de enige manier waarop het werkt.
Voor wie dit werkt
De omstandigheden waaronder dit zinvol is
Dit is geen workshop voor iedereen. Hieronder staat beschreven in welke situaties deelnemers er het meeste uithalen - zodat je zelf kunt beoordelen of dit het juiste moment is.
Je hebt basiservaring met Python
Niet geavanceerd, maar je kunt een script lezen en aanpassen. De workshop begint niet bij nul wat betreft programmeren - dat zou te veel tijd kosten van de eigenlijke inhoud.
Je hebt drie tot vijf uur per week beschikbaar
De opdrachten zijn zo opgezet dat je ze in blokken van anderhalf tot twee uur kunt doen. Minder tijd is mogelijk, maar dan duurt het langer en is de kans op afhaken groter.
Je werkt liever zelfstandig dan in groepsverband
De workshop is asynchroon - je bepaalt zelf wanneer je werkt. Er zijn geen live sessies of verplichte groepsmomenten. Dat past sommige mensen goed, anderen minder.
Je bent bereid om fouten te maken en opnieuw te proberen
De opdrachten zijn zo ontworpen dat je ergens vastloopt. Dat is geen fout in het ontwerp - het is de manier waarop je leert wat er werkelijk aan de hand is in de code of het model.