Blijf op de hoogte van ons laatste nieuws!

Hoewel er veel te winnen valt met een datagedreven aanpak in het bedrijfsleven, ontsluit nog niet elk bedrijf het volledige potentieel van hun data. In deze serie blogposts bekijken we enkele voordelen van datagestuurde oplossingen. Om deze voordelen te illustreren, worden voorbeelden gegeven van klantcases. Om te beginnen gaat deze blog helemaal over kostenbesparing.

Met trots kunnen we melden dat Notilyze de ISO 27001 en NEN 7510 certificeringen voor databeveiliging heeft behaald. Met deze certificeringen laten we zien dat we voldoen aan de hoogste normen op het gebied van gegevensbeveiliging, inclusief specifieke zorgvereisten in Nederland. Hiermee zijn onze klanten ervan verzekerd dat hun gegevens en informatie door Notilyze met de grootste zorg worden behandeld.

Tijdens mijn tijd bij Notilyze heb ik een kwantitatief model ontwikkeld voor een van hun grootste klanten als onderdeel van mijn scriptie voor de master Quantitative Finance.

Notilyze nam deel aan de SAS EMEA Hackathon 2020. Het doel van deze Hackathon was om een ​​manier te vinden om duurzame waarde toe te voegen aan het echte leven. Omdat de verbinding met data for good belangrijk was, maakte het team van Notilyze een model om informatie uit satellietbeelden te halen om het aantal vluchtelingen in vluchtelingenkampen in Nigeria te helpen inschatten. Een betere schatting van de kampomvang zorgt ervoor dat aan de vraag in elk kamp gemakkelijker kan worden voldaan, omdat overschotten aan goederen kunnen worden verplaatst naar kampen met tekorten, wat leidt tot een effectievere samenwerking tussen kampen. Met deze zaak won Notilyze uiteindelijk de eerste prijs. 

In het vorige artikel over contrast stretching, hebben we percentile contrast stretching onderzocht en hoe dit kan worden toegepast om betere prestaties te verkrijgen in objectdetectiemodellen. Percentile contrast stretching wordt ook wel (histogram)normalisatie genoemd, omdat we het bereik van de pixelintensiteiten normaliseren.

Een belangrijk onderdeel van het trainen van neurale netwerken is het voorbewerken van de input. Er kan veel prestatiewinst worden behaald door de invoergegevens zorgvuldig te onderzoeken, op te schonen en te transformeren.