DATA SCIENCE PRACTITIONER

KOSTEN

2495 euro (geen BTW)

Opleiding

online
eigen tempo
start februari 2021

Studieduur

7 online modules

Vooropleiding

WO denkniveau met affiniteit voor data-analyse

Wat ga je leren?

  • Het succesvol toepassen van Machine Learning algoritmen in je eigen Data Science project
  • Het creëren van waarde voor de organisatie vanuit data
  • Het doorgronden van je eigen dataset met behulp van R-Studio
Gratis test / introductie Data Science doen?

De opleiding:

  • Bestaat uit 7 online modules
  • Veel datasets om mee te oefenen
  • Wordt afgesloten met een Data Science Practitioner examen
  • Vraagt om een investering van 2495 euro (geen BTW)
  • De opleiding richt zich op WO-denkniveau van mensen met affiniteit voor data-analyse. Ervaring met programmeren (in wat voor taal dan ook) is een pre. In de opleiding wordt gewerkt met R, een gratis beschikbaar statistisch softwarepakket. Deelnemers die geen ervaring hebben met R volgen voorafgaand aan de opleiding een online tutorial.
  • 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 R en R-studio
  • Introductie statistiek
  • Relevante bronneno
Onderdeel #2

PROJECTDOEL & STRATEGIE

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

ONDERWERPEN

  • Predictie versus causaliteit
  • Projectselectie en -afbakening
  • Projectfasering
  • Het starten van een project
Onderdeel #3

DATAVERKENNING

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

ONDERWERPEN

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

  • Verdere projectafbakening
  • Data opschoning
  • Feature engineering
 Onderdeel #6

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 model (performance, interpreteerbaarheid, complexiteit, haalbaarheid, toepasbaarheid, onzekerheid, openstaande punten)
  • Inschatting baten
 Onderdeel #5

MODELLERING

In dit onderdeel leer je hoe je Machine Learning algoritmes ontwikkelt. We staan stil bij de verschillende soorten Machine Learning algoritmes en hoe je deze analyseert, interpreteert en optimaliseert.

ONDERWERPEN

  • Overfitting en regularization
  • Crossvalidatie
  • Gangbare Machine Learning algoritmes
  • Model performance
 Onderdeel #7

IMPLEMENTATIE & NEXT STEPS

In dit onderdeel leer je wat er komt kijken bij de implementatie van machine learning algoritmen, 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 en verder verbetert op basis van nieuwe procesdata. 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

  • Uitkomstmonitoring
  • Inputcontrole
  • Kwaliteitscontrole
  • 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?

> 7 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 nodig. R-Studio is een gratis softwarepakket, dat gebruikt wordt voor alle data-analyse en Machine Learning tools. R-Studio draait 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!