jchm-1 / ml2023 Goto Github PK

De uitwerking van de intro-notebook is ok; het is fijn dat er ook antwoord gegeven wordt op de vragen (dat doet lang niet iedereen), al zou dat wel wat dieper en genuanceerder mogen.

Uitwerkingen van de gradient descent is ook goed.

Uitwerkingen van de classificatie-notebook is ok.

Uitwerking van het neurale netwerk is ook ok; alleen vind ik get_y_matrix wel wat verboos (kan vast beter). Ik denk ook dat er een fout zit in de code (regel 135 is te veel ingesprongen). En het commentaar op regel 145 correspondeert niet met wat je doet (wat bij mij de vraag oproept of je helder hebt wat er in welke stap gebeurt).

Ik neem aan dat die V3 en V4 verschillende versies zijn; dat doen we toch niet op deze manier (versiebeheer in de bestandsnaam 🥶). Ik kijk alleen naar V4, omdat ik vermoed dat dat de recentste is.

Verder prima uitwerking; ook goed hoe je beschrijft welke stappen je zet en waarom. Je zou er nog wel voor kunnen kiezen om wat meer visualisaties te maken, want hier en daar mis ik nog wel wat (bijvoorbeeld over de verdeling van de klasse-variabele, om maar iets te noemen).

Uitwerkingen van de keras-opgave is prima; ook lekker pythonesque hoe je die metrieken representeert 😎.

De notebook over model-evaluatie gaat over van alles, behalve model-evaluatie. Jullie laten na op basis van al het werk wat je laat zien een gefundeerde uitspraak te doen over het model.

Hetzelfde geldt voor de opdracht over DBSCAN; je tekent hier een prachtig plaatje, maar laat na deze te evalueren.