DATA SCIENCE PRACTITIONER

KOSTEN

2495 euro (geen BTW)

Opleiding

online
eigen tempo
start vanaf 1 mei 2021

Studieduur

9 online modules

Vooropleiding

HBO/WO denkniveau met affiniteit voor data-analyse

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.

Trainer Dr. Joran Lokkerbol

Joran Lokkerbol is a data scientist and director of the Centre of Economic Evaluation & Machine learning at Trimbos. He specialized in machine learning at Harvard and MIT, and is active as a post-doc at Utrecht University. He is interested in developing methods for targeted prevention in healthcare. Joran trained over 300 professionals in applying data science and improving processes.

De opleiding:

  • Bestaat uit 9 modules
  • Bevat veel data om mee te oefenen
  • Wordt afgesloten met een Data Science Practitioner examen
  • Vraagt om een investering van 2495 euro (geen BTW)
  • 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 (Python tutorials zijn beschikbaar vanaf juli 2021), 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

 

PROGRAMMA

DATA SCIENCE PRACTITIONER

Onderdeel #1

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
Onderdeel #2

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
Onderdeel #3

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
 Onderdeel #4

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
 Onderdeel #6

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
 Onderdeel #5

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
 Onderdeel #7

MODELLERING-PERFORMANCE METRICS

n 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
Onderdeel #8

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
 Onderdeel #9

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

Jij als succesvolle Data Science Practitioner

Als je de training succesvol hebt doorlopen, presteer je op het niveau van Data Science Practitioner. Je bent in staat om inzichten uit data te halen en deze succesvol te implementeren. Je creëert hiermee waarde voor je organisatie, doordat jij op een manier naar processen en data kijkt, zoals weinig anderen dat doen.

WORD EEN DATA SCIENTIST PRACTITIONER

WAT KRIJG JE?

> 9 ONLINE modules
> indien gewenst coachingsessies
> Praktijkopdrachten, datasets en scripts
> Toegang tot de Data Science Practitioner studiegroep
> Templates 
> Een handout van de lessen
> Het Data Science Practitioner examen en eindbeoordeling van je Data Science project

certificaat_data_science

(¹) Prijzen Data Science Practitioner

De prijzen zijn inclusief 0% btw en inclusief examen en projectbeoordeling. Voor de opleiding tot Data Scientist Practitioner heb je de software R-Studio of Python nodig. R en Python zijn gratis softwarepakketten, die gebruikt worden voor alle data-analyse en Machine Learning tools. R en Python draaien zowel op Windows als op de Mac.

Examen & scope opleiding

De deelnemer ontvangt een certificaat wanneer:

  • de machine learning projectdocumentatie voldoet aan de hieraan gestelde eisen en het theoretische examen met een voldoende afsluit.
  • Je kan het machine learning project tweemaal indienen ter certificering. Na de eerste keer ontvangt je feedback. Bij de tweede beoordeling wordt bepaald of de feedback naar tevredenheid is verwerkt. Het theoretisch examen is een open boek examen bestaande uit multiple choice vragen. Het theoretisch examen vindt twee keer per jaar plaats.

Scope van de opleiding:

  • Binnen scope: hoe ontwikkel je machine learning modellen op basis van beschikbare data? Hoe bereid je je machine learning algoritme voor op de fase van het in productie brengen?
  • Buiten scope: hoe ontsluit je data uit de datasystemen? Hoe breng je een machine learning algoritme in productie?

Schrijf je direct in voor de Data Science Practitioner training en je plek is gegarandeerd!