Code, modellen en data, openbaar gedeeld.

Datakwaliteitstests voor PySpark-DataFrames, met resultaten als DataFrame in lang formaat.

Berekent het aantal woningwaarderingspunten van een woning en de maximale huurprijs die daaruit volgt, volgens de beleidsboeken van de Huurcommissie en de VERA-standaard.

Zoekt de monumentale status van Nederlandse adressen op via de API's van de Rijksdienst voor het Cultureel Erfgoed en het Kadaster — tienduizenden objecten tegelijk, asynchroon en zonder API-sleutel.

Hulpmiddelen die ontbreken in de gangbare tools voor data science — plothulpen, decorators en een estimator-switch voor scikit-learn-pipelines — gepubliceerd op PyPI, met documentatie op Read the Docs.

Maakt het opzoeken van monumenten beschikbaar als MCP-server, zodat een taalmodel een adres kan herleiden tot een verblijfsobject en kan nagaan of het een monument is.

Controleert of woningdata voldoet aan de VERA-standaard, met tests die aansluiten op pyspark-testframework.

Een cross-validator voor gegroepeerde tijdreeksen waarin groepen ongelijke aantallen observaties bevatten — bijgedragen aan scikit-lego en uitgebracht in versie 0.6.14.

De monumentale status van elk verblijfsobject in de BAG, met bij elke status de bron. Een gefaseerde pipeline op basis van het monumenten-package zoekt de status op bij de Rijksdienst voor het Cultureel Erfgoed en het Kadaster; het resultaat is gepubliceerd als één Parquet-bestand.

Een Streamlit-app op Hugging Face Spaces die een Nederlands adres opzoekt en laat zien of het een rijksmonument is, in een rijksbeschermd gezicht staat of een gemeentelijk monument is, met bij elk antwoord de bron.

Een QLoRA-fine-tune van Llama 3.1 8B, gekwantiseerd naar vier bits, die uit de beschrijving van een woning het aantal woningwaarderingspunten voorspelt: een regressietaak, hier opgelost met een taalmodel in plaats van een regressiemodel.

Een gradient-boostingmodel dat het aantal woningwaarderingspunten van een woning voorspelt uit zes woningkenmerken, getuned met random search en cross-validatie. Het is gepubliceerd samen met de predictor die het model inlaadt, zodat een woning te waarderen is zonder opnieuw te trainen.

Een Gradio-app op Hugging Face Spaces om het gradient-boostingmodel live uit te proberen: vul de kenmerken van een woning in en de app toont het voorspelde aantal punten met een bandbreedte, de maximale huurprijs die bij die punten hoort en het huursegment waarin de woning daarmee valt.

Beschrijvingen in een vast formaat van zelfstandige woonruimten in Rotterdam, elk met het aantal woningwaarderingspunten dat de wet eraan toekent. Gegenereerd uit de evaluaties van het woningwaardering-package en opgesplitst om modellen op te trainen.

Woningwaarderingen van drie woningcorporaties in één dataset: een samenwerking opgezet tussen Beveland Wonen, Thuisvester en Woonstad Rotterdam, die elk de data van hun eigen werkgebied publiceren. De data is per corporatie ontdubbeld en samengevoegd tot gedeelde train-, validatie- en testsplits.