Data Science for Real Estate

• Pandas: je leert gemakkelijk grote datasets organiseren en bewerken, met inbegrip van tijdreeksgegevens
• Matplotlib / Seaborn: je maakt boxplot, scatterplots, ... 
• Scikit-Learn Learning: je leert de belangrijke algoritmen voor machine learning die momenteel bestaan en leert deze effectief te gebruiken
• Inleiding tot lineaire regressie-analyse
• Eerste stappen Power BI voor data in te laden en van start te gaan met analyses.

Toelichting hoe price indices werken en hoe de analist deze zelf kan construeren.

• Analist kan submarkten analyseren en evoluties herkennen (bijvoorbeeld: appartement Hasselt)
• Overzicht indices: stratification/mix-adjustment, repeat sales, appraisal method, hedonic regression
• Hedonic Regression: Laspeyres, Fisher, Paasche
• Home affordability index
• Je kan zelf indexen maken: appartementen met terras t.o.v. appartementen zonder terras
• Interpretaties van indexen en markt opvolgen
• De indexen worden met Python en Power BI gecreëerd. 

Statistisch model dat grote datasets gebruikt om een eerlijke transactieprijs voor een pand te voorspellen.

• Analist leert zelf een hedonisch regressie model bouwen en beoordelen
• Overzicht verschillende modellen:
  • Single period models: prijs bepalen, een prijsvork bepalen
  • Multi period models
  • Aspecten van modellen behandelen als nauwkeurigheid, standaarden, ...

Cluster analyse: gebruik unsupervised learning om vastgoeddata te analyseren en om gelijkenissen tussen panden te herkennen.

• Je kan zelf een cluster analyse doen en submarkten bepalen
• K-means, principal component analyse doen, dendrogrammen maken, DBSCAN
• Groepen van panden bepalen en begrijpen waarom deze verschillen voor iedere groep een model maken
• Impact van macro-economische variabele op vastgoed indexen (voor beleggers, immo-investeerders...).

• Time series in pandas
• Univariate, multivariate series, arima-models
• Analyse: level, trend, seasonality, noise
• Analist leert onderliggende data begrijpen en kan voorspellingen maken.