online Data Science Practitioner met Python & R

Wat ga je leren?

• Het verbeteren van processen op basis van data science.
• Het creëren van waarde voor je organisatie vanuit de beschikbare data.
• Het doorgronden van de principes van data science en machine learning.

De opleiding:

• Bestaat uit 9 modules
• Bevat veel data om mee te oefenen
• Wordt afgesloten met een Data Science Practitioner examen
• Richt zich op deelnemers met WO-denkniveau en affiniteit voor data-analyse. Ervaring met programmeren (in wat voor taal dan ook) is een pré. In de opleiding wordt gewerkt met (keuze) R en Python, gratis beschikbare statistische softwarepakketten. Deelnemers die geen ervaring hebben met programmeren in R of Python volgen voorafgaand aan de opleiding een online tutorial
• Is bestemd voor talenten die willen weten hoe je vanuit data échte waarde creëert voor een organisatie

INTRODUCTIE

In dit onderdeel leer je wat data science precies is, welke vaardigheden hiervoor nodig zijn en welk soort statistiek een rol speelt binnen data science. Je maakt kennis met de software die je hierbij kunt gebruiken, en leert op welke plekken je relevante informatie over data science kunt vinden.

ONDERWERPEN

• Introductie Data Science
• Introductie statistische software
• Introductie statistiek
• Relevante bronnen

PROJECTDOEL & STRATEGIE

In dit onderdeel leer je hoe je een duidelijk afgebakend data science project selecteert, met een helder verbeterdoel dat bijdraagt aan de doelen van de organisatie. Je leert daarnaast een gericht plan van aanpak waarmee je je data science project uitvoert.

ONDERWERPEN

• Predictie versus causaliteit
• Projectselectie en -afbakening
• Projectfasering
• Het starten van een project

DATAVERKENNING

In dit onderdeel leer je het belang van een goed begrip van je data, welke stappen je hiervoor doorloopt en welke doelen je hierbij nastreeft.

ONDERWERPEN

• Beschrijvende statistiek
• Datavisualisatie
• Kwaliteit van data
• Bruikbaarheid en beschikbaarheid van data
• Verdere projectafbakening

DATAVOORBEREIDING

Ruwe data staan simpelweg nooit in de vorm waarin ze analyses in staat stellen om tot de beste modellen te komen. In dit onderdeel leer je hoe je je data optimaal voorbereidt, zodanig dat je daar zo goed mogelijke modellen mee kunt ontwikkelen.

ONDERWERPEN

• Data opschoning
• Feature engineering

MODELLERING-ALGORITMES

In dit onderdeel leer je de werking achter een aantal veel gebruikte machine learning algoritmes en hoe je deze traint, interpreteert en optimaliseert.

ONDERWERPEN

• Regressie
• K Nearest Neighbors
• LASSO
• Decision trees
• Random Forest
• Gradient Boosting

MODELLERING-BASISPRINCIPES

In dit onderdeel leer je de basisprincipes die aan elke Machine Learning toepassing ten grondslag liggen.

ONDERWERPEN

• Overfitting en regularization
• Train- en testdata
• Bias-Variance tradeoff
• Crossvalidatie

MODELLERING-PERFORMANCE METRICS

In dit onderdeel leer je welke keuzes je hebt bij de bepaling van de specifieke uitkomstmaat die helpt bepalen welk machine learning algoritme het best presteert, en waarom deze zo enorm belangrijk is wanneer je met Data Science daadwerkelijk wilt bijdragen aan de doelen van je organisatie.

ONDERWERPEN

• Classification Metrics
• Regression Metrics
• Confusion Matrix

EVALUATIE

In dit onderdeel leer je hoe je het optimale Machine Learning algoritme selecteert, hoe je kritisch analyseert wat de voor- en nadelen van een algoritme zijn, op welke mogelijke manieren het algoritme kan worden toegepast in de praktijk, en hoe je de ingeschatte baten als gevolg van het gebruik van het algoritme in kaart brengt.

ONDERWERPEN

• Beoordeling kwaliteit van het model
• Error Analyse
• Inschatting baten

IMPLEMENTATIE & NEXT STEPS

In dit onderdeel leer je op welke onderdelen Data Science een rol speelt bij de implementatie van machine learning algoritmen, zoals hoe je monitort of het geïmplementeerde Machine Learning algoritme daadwerkelijk leidt tot verbeterde uitkomsten, en hoe je de kwaliteit van het algoritme waarborgt gedurende het gebruik in de praktijk. Daarnaast staan we stil bij mogelijke ontwikkelingspaden die je zou kunnen doorlopen om verdere ambities te verwezenlijken met betrekking tot het succesvol toepassen van data science.

ONDERWERPEN

• Interpreteerbaarheid
• Logging
• Uitkomst- en inputmonitoring
• Modelupdating
• Next steps