Datascience, machine learning en A.I. draaien op statistiek. In veel tools voor data-analyse zit de statistiek verborgen achter keuzelijsten en knoppen. Wie een regressieanalyse wil uitvoeren, kan dat in Excel of in Tableau met een paar klikken voor elkaar krijgen, zonder enige statistische kennis. In coderingstools heeft een ontwikkelaar de mogelijkheid om een algoritme te sturen maar ook in die tools zijn de relevante statistische methodes meestal verstopt: ze zijn ingebouwd in de modules van de bibliotheek die de ontwikkelaar gebruikt. In de meeste gevallen past een ontwikkelaar statistische methodieken toe zonder die methodieken te kennen. Er is sprake van ‘black box’-datascience.
De term ‘black box’ klinkt omineus. In de praktijk kan code die is gemaakt door een ontwikkelaar die de onderliggende statistiek niet kent, prima werken. Gegeven een bepaald algoritme is de sturing van de ontwikkelaar beperkt tot het maken van keuzes uit toegestane waarden voor de argumenten die een functie aanbiedt. Omdat de meeste algoritmes in datascience niet van gisteren zijn, is de impact van keuzes vaak gedocumenteerd en kan de ontwikkelaar ‘beargumenteerde keuzes’ maken. Voor bepaalde kinderziektes van datascience – zoals ‘overfitting – is medicatie ontwikkeld die ook zonder enige kennis van zaken, kan worden toegediend.
Er zijn twee overwegingen om geen vrede te hebben met ‘black box’-datascience.
De eerste is dat het zo niet voor de opdrachtgever dan toch voor de ontwikkelaar zelf onbevredigend kan zijn dat het ontwikkelen van een oplossing een kwestie is van ‘prefab-coderen’: het procedureel in elkaar zetten van een aantal voor een bepaald doel geprepareerde blokken. Prefab-coderen laat zich automatiseren en dan kan een opdrachtgever de ontwikkelaar gans overbodig maken. Door inzicht te hebben in wat er onder de motorkap gebeurt, heeft een ontwikkelaar mogelijk meerwaarde.
De tweede overweging haakt aan bij een probleem dat bekend staat als de Sorites-paradox. In de oorspronkelijke variant van deze paradox gaat het om de vraag bij de hoeveelste korrel een verzameling zandkorrels een ‘hoop‘ zand wordt. Maar de paradox laat zich in elke discipline formuleren. Bijvoorbeeld in de epidemiologie: door welke aanpassing in een virus is voor eerdere versies van dat virus ontwikkelde vaccin, niet meer werkzaam? Zo ook in de datascience: bij welke aanpassing in de data is een oplossing voor een bepaald type vraagstukken niet meer effectief? Anders geformuleerd: bij welke aanpassing in de data is het vraagstuk een vraagstuk van een ander type geworden?
In deze cursus worden de statistiek achter datascience uitgelegd in termen en met voorbeelden die kunnen worden gevolgd zonder gedetailleerde kennis van wiskunde. De cursus is modulair opgezet: de organisatie kan uit de modules een pakket samenstellen en aangeven of in de code-voorbeelden R of Python moet worden gebruikt.