+32 65 52 02 82
Elk blok bevat praktijkopdrachten met echte expense data en code reviews van je implementaties.
Je werkt in Python met Jupyter notebooks voor exploratie en FastAPI voor deployment. Alle code is beschikbaar via GitHub en we gebruiken een shared dataset van geanonimiseerde bedrijfstransacties.
Eindproject: bouw een volledig categorisatiesysteem met custom business rules en een dashboard voor accuracy monitoring.Elke maand dezelfde frustratie: honderden transacties handmatig labelen. Een koffie bij de benzinepomp wordt kantoorbenodigdheden, een zakelijke lunch verdwijnt onder entertainment. Het kost uren en de fouten stapelen zich op.
Deze cursus laat zien hoe AI-modellen leren om uitgaven te herkennen en correct in te delen. Je werkt met echte transactiedata en bouwt een classificatiesysteem dat patronen herkent in leveranciersnamen, bedragen en transactiegeschiedenis.
We beginnen bij de basis: hoe train je een model om het verschil te zien tussen een Uber naar een klant en een Uber naar huis? Je werkt met labeled datasets van 5000+ transacties en ziet hoe accuracy stijgt van 72% naar 94% door feature engineering.
De tweede helft focust op praktische implementatie. Je integreert een categorisatiemodel in een bestaand expense systeem, handelt edge cases af zoals mixed transactions, en bouwt een feedback loop waardoor het systeem leert van correcties.
We gebruiken scikit-learn en TensorFlow voor modeltraining, werken met NLP-technieken voor merchant name parsing, en implementeren confidence scoring. Je ziet ook hoe je omgaat met imbalanced datasets wanneer 80% van transacties in drie categorieën valt.
Na deze cursus begrijp je niet alleen hoe AI expense categorization werkt, maar kun je ook zelf een systeem bouwen en onderhouden dat past bij specifieke bedrijfsregels en categoriestructuren.