10-daagse Master of Data Science opleiding

Deze 10-daagse topopleiding ‘Master of Data Science’ is bedoeld voor iedereen die met data science vanuit een zakelijk perspectief succesvol wil zijn met data science en daarnaast een boost wil geven aan zijn of haar carrière. Er is een schreeuwend tekort aan goede data scientists die artificial intelligence (AI) niet alleen benaderen vanuit de techniek maar juist ook vanuit een bedrijfsmatig en menselijk perspectief. In deze interactieve, praktijkgerichte data science training (HBO+) komen alle facetten aanbod die jou als data science-translator, consultant, adviseur of (project)manager helpen om data science, AI en machine learning met succes toe te passen in jouw organisatie.

Focus ligt naast de techniek ook op de business-kant

Natuurlijk leer je alle belangrijke technische aspecten in onze Data Science opleiding. Zo kijken we uitgebreid naar geavanceerde technologie, machine learning & deep learning modellen en de algoritmes waarmee je die kunt bouwen. Maar onze Master of Data Science opleiding benadrukt vooral de zakelijke en bedrijfsmatige aspecten:

  • Hoe zet je Data Science op de kaart in jouw organisatie? Welke businesscase kun je maken?
  • Hoe ga je een AI-first strategie ontwikkelen en zorgen dat iedereen in je organisatie daaraan meewerkt?
  • Hoe zorg je dat je AI-technologie kan inbedden in de juiste Business Intelligence processen en kaders?
  • Welke algoritmes en methodieken voor patroonherkenning kun je gebruiken?
  • Hoe bouw je een robuuste, toekomstbestendige data-infrastructuur?
  • Waar moet je op letten bij de implementatie van machine learning?
  • Welke AI-tools zijn beschikbaar en welke past het beste bij jouw specifieke probleem?
  • Hoe implementeer je succesvol een big data-oplossing en een data lake en wat komt daarbij zoal kijken?
  • Wat is de relatie tussen innovatie, nieuwe business modellen, machine learning en data science en hoe ga je die optimaliseren?
  • Hoe ga je om met interne politiek, draagvlak in de organisatie en acceptatie bij de gebruikers?

Deze complete praktijkgerichte Data Science cursus met maar liefst 24 modules en een uitdagende eindopdracht is een absolute aanrader voor iedereen die zich wil bekwamen in data science, artificial intelligence en big data. En zeker aan te bevelen wanneer je daadwerkelijk successen wilt boeken op weg naar een datagedreven organisatie.


Praktische informatie

Locatie:
Fletcher Hotel A'foort
Duur:10 dagen
Data:
2 oktober t/m 13 december 2019
12 maart t/m 12 juni 2020
20 t/m 31 juli 2020
1 oktober t/m 11 december 2020
Punten:
PA50
Deze opleiding 'Master of Data Science' van Passionned Academy geeft je recht op PA-punten. Bij een totaal van 150 PA-punten ontvang je een certificaat van bekwaamheid. En je mag jezelf 'Master of Organizational Intelligence' noemen.certificaat van bekwaamdheid
PE-punten
Vraag bij je vakvereniging (bijvoorbeeld de Vereniging van Registrercontrollers, de Nederlandse Beroepsvereniging van Accountants, et cetera) na hoeveel PE-punten/uren je kunt registreren voor je Permanente Educatie (PE).PE-punten registreren voor opleiding 'Master of Data Science'
Prijs:6.495 EUR p.p.

Data Science opleiding: zet de juiste stappen

Tijdens 10 intensieve dagen word je op een positieve manier ondergedompeld in het vakgebied en klaargestoomd voor een leidende positie in jouw organisatie. Eerdere deelnemers aan deze Data Science-opleiding bleken bij uitstek geschikt om de juiste stappen te zetten in nieuwe of lopende Data Science-trajecten in hun organisatie.

Modules Data Science training

Deze complete Data Science opleiding (HBO+ niveau) bestaat uit 24 praktijkgerichte, compacte modules:

Introductie Data Science, AI, BI en trends
KPI’s, analytics & machine learning
Data Science volwassenheid en AI-first
Projectmanagement & governance
Datavisualisatie & data story telling
Succesfactoren van BI & Data Science
Introductie datawarehousing & big data
Datawarehouse architectuur & data lakes
Het datawarehouse & de ETL-processen
Business Intelligence & Data Analytics
Master Data (MDM) en metadata
Beheer van datawarehouses en data lakes
Data governance & frameworks
Datakwaliteit & AI
Continu verbeteren van (big) data
AI, big data science & machine learning
De business case voor AI & data science
AI architectuur
Algoritmes en machine learning technieken
Data science tools
Kennismaken met Python, notebooks en R
Machine learning modellen ontwikkelen
Privacy, ethiek en wetgeving
Vaardigheden en competenties

Opleidingsdata van onze 10-daagse Data Science cursus

  • Voorjaar 2020: 12 t/m 13 maart, 20 maart, 3 en 24 april, 8, 14, 15, 29 mei en 12 juni
  • Zomer 2020: 20 t/m 31 juli 2020 (Summer Course)
  • Najaar 2020: 1, 2, 9 en 30 oktober, 6, 13, 19, 20, 27 november en 11 december

Er is ruimte voor maximaal 16 deelnemers, zorg daarom dat je tijdig boekt, zodat je verzekerd bent van een plaats.

Dé training voor alle complexe data-uitdagingen en een AI-first organisatie

De datagedreven maatschappij en de bijbehorende algoritmisering is inmiddels een “fact of life”. Diverse nationale en internationale denktanks zijn het er allemaal over eens dat het juist inzetten van data en algoritmes hét verschil gaan maken tussen krimp of groei. En dan zien we gemakshalve even af van het fenomeen disruptie dat hele branches ontwricht. Kortom: onze Master of Data Science opleiding is bedoeld voor organisaties die te maken hebben met complexe data-uitdagingen en substantieel slimmer willen worden.

Je leert data analytics, machine learning en meer…

De intelligentie van een organisatie laat zich niet vangen in louter data analytics en machine learning, het concept gaat veel verder. In ons praktische model leer je waar en hoe data science, AI, business intelligence, datagedreven werken en de intelligente organisatie elkaar raken en waarom een analytische bedrijfscultuur van groot belang is voor het slagen van data science en artificial intelligence.

10-daags programma van de Data Science training

Tijdens deze Master of Data Science opleiding kom je in aanraking met alle aspecten van Data Science. Je leert datavraagstukken om te zetten in resultaten voor jouw organisatie. Naast de technische aspecten (zoals Internet of Things, supervised en unsupervised machine learning, deep learning neurale netwerken, data lakes, et cetera) maak je kennis met alle relevante business-aspecten. Denk dan aan projectmanagement, risico’s, valkuilen, businesscases, KPI’s, governance en datakwaliteit, data governance en privacy- en ethische principes.

DATA SCIENCE DINNER: Introductie van de Data Science opleiding

DATA SCIENCE DINNER: Introductie van de opleidingHet diner op de avond voorafgaand aan de start van de Data Science opleiding is inmiddels uitgegroeid tot een traditie. Het is een onmisbare en aangename opwarmer voor je totale opleidingstraject. Daan van Beek, eindbaas van Passionned Group en auteur van het managementboek ‘De intelligente organisatie’ (7e druk) is jouw gastheer die avond.

Hij geeft je een overzicht van wat je kunt verwachten van deze Data Science training. Tussen de verschillende gangen is er voldoende ruimte voor interactie, verhalen en discussie over algoritmes en de economische betekenis en de maatschappelijke impact van deze megatrend.

Dag 1: Introductie data science, trends, KPI's & AI-first strategie

Data Science training - dag 1Je maakt tijdens de eerste dag van deze Data Science opleiding kennis met de kracht van datagedreven organisaties en AI. Je gaat niet alleen KPI’s, big data en machine learning beter begrijpen, maar krijgt ook inzicht in de laatste trends in data science, AI en de voordelen van analytics. Je leert daarnaast welke stappen je moet zetten om een AI-first strategie te implementeren in jouw organisatie. De volgende modules komen aan de orde:

MODULE 1: Introductie op het vakgebied data science, BI & artificial intelligence

  • Definities en visievorming: wat verstaan we onder data science, artificial intelligence, machine learning en business intelligence, en hoe verhouden die begrippen zich tot elkaar? Met welke vier essentiële zaken heeft elke organisatie rekening te houden? Op welke wijze ontwikkel je een visie op data science en machine learning. En hoe zorg je in jouw eigen organisatie dat managers en teams datagedreven werken en AI gaan omarmen.
  • Trends in Data Science, AI en machine learning: welke trends zijn er op dit moment? Je leert meer over big data, data lakes, self-service BI, deep learning, robotica, drones, zelfrijdende auto’s, fotografie als de nieuwe “universele” taal, cloud oplossingen en blockchain, maar vooral wanneer deze trends in jouw situatie relevant kunnen zijn.

MODULE 2: KPI’s, analytics & machine learning

  • Datafication: de overvloed aan data plaatst je voor een groot aantal uitdagingen. In de eerste plaats: wat kan en moet je er mee? Op welke wijze kun je toepassingen voor AI & Big Data bedenken (creatief proces) en implementeren? De docent presenteert eeen aantal aansprekende voorbeelden. Wat kun je leren van aansprekende cases als:
    • Provincie Zuid-Holland: algoritmes adviseren brugbedieners
    • Social Analytics (KLM): webcare, electronic word of mouth (eWoM)
    • Predictive policing en de Brandweer A’dam (winnaar Dutch BI & Data Science Award)
  • KPI’s en 1 miljoen euro inzichten bepalen: de vier belangrijkste methodieken voor het vinden van KPI’s komen aan de orde: strategie-, proces-, markt- en datagedreven. Hoe bepaal je nu de meest essentiële data science-content, hoe stel je de echt onvervalste KPI’s vast en hoe identificeer je de 1 miljoen euro inzichten? Wat is de relatie tussen KPI’s, big bata en machine learning. Onder begeleiding van de docent gaan de deelnemers in groepjes met KPI’s aan de slag.

MODULE 3: Data Science volwassenheid en AI-first strategie

  • De business case voor data science: de belangrijkste onderdelen van een business case voor data science komen langs in relatie tot de verschillende volwassenheidsniveau in data science. Je leert een business case te maken (onder andere op basis van KPI’s en 1 miljoen euro inzichten). Hoe zorg je dat je jouw stakeholders meekrijgt in het traject en betrokken houdt en tegelijk voldoende budget losweekt?
  • Ontwikkel een AI-first strategie: het gros van de organisaties blijft steken in het maken rapporten, dashboards en experimenteert met algoritmes maar vergeet een AI-first strategie te bedenken en implementeren. In dit onderdeel leer je de belangrijkste aspecten van een AI-strategie en ga je onder begeleiding van de docent aan de slag om er een te ontwikkelen voor jouw organisatie.

Dag 2: Projectmanagement, datavisualisatie & data science succes

Data Science opleiding - dag 2Deze dag van de Data Science opleiding start met projectmanagement & governance in data science en staat verder volledig in het teken van de gebruikers van algoritmes, dashboards en rapporten. Het complete data science-proces (alle 15 stappen) komt uitgebreid aan bod. Je leert ook hoe je de User eXperience van data kan verbeteren onder andere door effectieve datavisualisatie. Tot slot komen de 12 meest kritieke succesfactoren van data science en BI langs. In detail leer je meer over het volgende:

MODULE 4: Projectmanagement & governance in data science

  • Business intelligence als fundament: data science zonder solide fundament is gedoemd te mislukken. In dit onderdeel gaat de docent dieper in op het fundament van data science: enterprise business intelligence & analytics.
  • Projectmanagement & governance: projectmanagement van business intelligence & data science. De verschillende vormen komen allemaal langs: van waterval tot agile scrum. Daarnaast gaat de docent in op de 10 belangrijkste projectrisico’s en valkuilen, deliverymodellen voor machine learning en waarom en hoe een BICC (business intelligence competency center) op te zetten. Je leert de belangrijkste verschillen kennen tussen een BI en data science project.

MODULE 5: Processtappen en datavisualisatie

  • BI en data science is een proces: je maakt gedetailleerd kennis met de 15 stappen voor verwerking, analyse, distributie van informatie, en vooral het effectief gebruik ervan voor het nemen van betere beslissingen. Daarnaast presenteert de docent waar het data science proces afwijkt van het BI proces.

Data Science opleiding: Business Analytics in 15 stappen

  • Datavisualisatie & User eXperience (UX): je maakt kennis met de meest krachtige datavisualisatietechnieken, data story telling en leert hierdoor het gebruiksgemak van informatie te versterken. Je moet tevens rekening houden met de psychologische effecten en cognitieve kaders. Wat komt er bij effectieve big data-visualisatie kijken en met welke factoren moet je specifiek rekening houden? Inclusief een bespreking van de onthullende BBC-documentaire: ‘How to make better decisions’. In groepjes ga je oefenen met het vormgeven van verschillende effectieve datavisualisaties.

MODULE 6: Succesfactoren van BI & Data Science

  • Succes bereiken met BI & Data Science: wat zijn de 12 meest kritieke succesfactoren om echt rendement te behalen op BI & Data Science en waar moet je dan op letten en sturen? Je leert ook waarom je allround vision, analytics, agile werken en continu verbeteren nauw met elkaar moet verweven.

Dag 3: Introductie DWH, doelen, alternatieven & big data architectuur

Data Science opleiding - dag 3Dag 3 van deze Master of Data Science training is volledig gewijd aan het tot stand brengen van een solide data-infrastructuur en ETL-processen voor zowel een noodzakelijke datawarehouse omgeving als toekomstvaste big data opslagmethodieken. Een datawarehouse kan een Data Science-traject maken of breken, waar moet je allemaal op letten?

MODULE 7: Introductie datawarehousing & big data

Hoe kom je tot een schaalbare centrale datahub die gaat zorgen voor integratie van data, betrouwbare gegevens en één versie van de waarheid. Welke andere doelen kun je realiseren met een datawarehouse en data lake? Gegevens uit een diversiteit aan databronnen (je bedrijfsprocessen) en externe data ga je opschonen en koppelen zodat de eindgebruiker deze eenvoudig met elkaar in verband kan brengen. Steeds belangrijker wordt het om deze te combineren met alle aanwezige ‘niet gestructureerde’ data waar een organisatie ook over beschikt.

  • Kennis als eindpunt: welke transformatieslagen moet je toepassen om (big) data via informatie op te waarderen tot actiegerichte kennis? Wat is verder het belang van een adequate informatiehuishouding?
  • Doelen DWH: wat zijn de belangrijkste doelen van een datawarehouse zoals historie-opbouw en performanceverbetering? En op welke wijze gaat een datawarehouse bijdragen aan een hogere datakwaliteit, grotere herkenbaarheid en betere vindbaarheid van informatie? En kan dit als basis dienen voor het ontsluiten en combineren van alle gestructureerde en ongestructureerde data.
  • De vier kenmerken van big data: deze wordt gekenmerkt door 4 V’s maar wat betekent dat voor je eigen project? En voor de in te zetten algoritmes, de oplossingen en de benodigde kennis en vaardigheden van je mensen als het gaat om dataopslag?
  • Data lakes, virtualisatie en cloud: voor datawarehousing zijn tegenwoordig diverse alternatieven voorhanden. Je maakt kennis met datawarehouseappliances, in-memory BI, datalakes, datavirtualisatie en cloud oplossingen. Welke zijn zinvol en haalbaar in jouw situatie? Welke ervaringen heb jezelf en wat kunnen anderen daarvan leren?

MODULE 8: Datawarehouse architectuur & data lakes

Het werken met een datawarehouse-architectuur is van groot belang voor agile BI en zeker ook bij het gebruik van AI. Welke gereedschappen en vaardigheden heb je dan nodig? Hoe laat je die aansluiten op de algehele IT- en bedrijfsarchitectuur? Je leert waarom onderlinge samenhang de sleutel vormt tot succes.

  • Architectuur van het DWH: wat is het belang van een goede datawarehouse-architectuur? Hoe past een DWH binnen de enterprise architectuur van jouw organisatie?
  • Datamodellering: welke vormen van datamodellering kun je onderkennen? Denk dan aan Inmon, Kimball en Linstedt (DataVault). Wat zijn de overeenkomsten en wat zijn de voornaamste verschillen? De docent gaat zeker in op de voor- en nadelen van de verschillende beschikbare methodieken: wanneer kun je het beste kiezen voor één methodiek en wanneer voor een mix?
  • Big data en data lakes: sommige data is veel te groot of te ongestructureerd dat het niet meer past in een traditioneel datawarehouse. Hoe kun je hier vanuit een architectuuroogpunt het beste mee omgaan? Helpt cloud daarbij en wat zijn de specifieke eisen als je AI en big data gaat gebruiken in je organisatie?
  • Sensorische data: wanneer pas je sensoren toe om data te verzamelen en waar plaats je die vervolgens? Hoe zorg je dat die zo min mogelijk kosten en overlast veroorzaken?
  • Overzicht tooling: hoe kan je een juiste keuze maken voor specifieke datamodellering tools, opslagplatforms en databasesoftware? Welke criteria zijn van groot belang?

MODULE 9: Het datawarehouse & de ETL-processen

Het vullen van een datawarehouse vindt procesmatig plaats in drie stappen: extractie, transformatie en laden (ETL). Dit kan via de krachtige analytische taal SQL of met behulp van ETL software en/of datawarehouse automation tools. De laatste vormen een onmisbare component in een volwassen datawarehouse-architectuur.

  • Toepassen van de datatechnieken: welke datatechnieken zijn het meest geschikt in welke stap van het ETL-proces? AI maakt binnen dit proces een grote opmars door om veel meer geautomatiseerd het proces te ondersteunen en de datakwaliteit te verhogen. Hoe kan AI je bij dit proces ondersteunen en op welke wijze kunnen de processtappen vorm krijgen en wat komt daarbij dan kijken?
  • Pseudonimiseren en anonimiseren: hoe kun je er voor zorgen dat je binnen de kaders van de privacywetgeving toch data kunt verwerken, analyseren en gebruiken voor het ontwikkelen van algoritmes? De docent presenteert de twee belangrijkste methoden die daarbij een rol spelen: pseudonimiseren en anonimiseren.
  • ETL & datawarehouse automation tools: welke data integratie-tools en datawarehouse automation tools zijn beschikbaar op de markt? Kies je voor één leverancier of best-of-breed? Je maakt kennis met ons 100% onafhankelijke ETL Tools & Data Integratie Survey.
  • Methodieken voor verbetering van de datakwaliteit: de docent geeft je een overzicht van de belangrijkste methodieken en tools voor de verbetering van de datakwaliteit. Moet je slechte data wel laden in het DWH? Of is dat juist erg onverstandig? Wat is data profiling en hoe kan AI je daarbij helpen?
  • ELT of ETL?: er wordt door leveranciers ook gesproken over ELT, wat is het verschil met ETL? Welke impact hebben steeds grotere decentrale gegevensverzamelingen (onder andere open data, big data en datalakes) binnen en buiten de organisatie op je Data Science project? Hoe ontsluit je die en wat is zijn de beste keuzes die je kan maken in deze hybride omgeving?

Dag 4: Analytics, Master Data Management, metadata & beheer

Dag 4De 4e dag van onze opleiding Data Science staat in het teken van: datawarehousegebruik in lijn met de hogere doelen van BI Analytics, de Business Intelligence tools en het beheer van een DWH, masterdata, meta data en open data. Big data en vooral AI neemt hier een steeds grotere plaats in.

MODULE 10: Business Intelligence & Data Analytics

Eindgebruikers verwachten van een datawarehouse kwalitatief uitstekende gegevens die relevant zijn. Zij gebruiken Business Intelligence software om datasets op te vragen, betekenis te geven, er over te rapporteren en de datasets te analyseren.

  • Business Intelligence software: welke Business Intelligence software is beschikbaar op de markt en hoe sluit die aan op jouw datawarehouse, datalake of AI toepassing? Je maakt kennis met onze 100% leveranciersonafhankelijke BI-gids.
  • De laatste trends: wat zijn de laatste trends in Business Analytics en Data Science en dan vooral kijkend naar Big Data en AI (bijvoorbeeld image processing of textmining)? Wat is de betekenis van open source in deze arena?
  • Het gebruik: directe toegang tot het datawarehouse kan aan te raden zijn en is soms gewoon noodzakelijk, maar wanneer maak je er juist wel en wanneer juist niet gebruik van? Niet alle gebruikers weten wat ze doen. De docent geeft je een overzicht van verschillende typen gebruikers. Welke functionele behoeften hebben zij en op welke wijze kun je hierop goed inspelen? Welke rol speelt self-service BI hierbij?

MODULE 11: Master Data Management (MDM) en metadata

Naast schone data is een goede structuur voor masterdata en metadata uitermate belangrijk voor verdere groei in data science. Belangrijke gegevensgroepen zoals klanten, producten, locaties en medewerkers moet je goed kunnen onderhouden. Inzicht in de ontstaansgeschiedenis en bijbehorende bedrijfsregels zijn daarbij essentieel. De groei aan data is exponentieel en AI wordt steeds belangrijker binnen dit domein.

  • Definities en masterprocessen: wat wordt eigenlijk verstaan onder masterdata en metadata? Hoe gaat het je helpen bij het produceren en consumeren van kwalitatief goede en betrouwbare informatie (één versie van de waarheid)? Welke processen spelen daarbij een rol?
  • Slimme leerlussen: is master- en metadatamanagement puur analytisch of kan en moet het ook impact hebben op operationele systemen? Je maakt kennis met de verschillende volwassenheidsniveaus van metadata en je leert een slimme leerlus in te richten met een enterprise portal en mobiele toegang.

MODULE 12: Het beheer van het datawarehouse en data lakes en succes behalen

Datawarehouses en data lakes moet je natuurlijk onderhouden en beheren. Je maakt tijdens dit onderdeel van de Data Science masteropleiding kennis met de belangrijkste technische en functionele beheerprocessen, beheerpatronen en competenties. Met de komst van AI toepassingen binnen dit domein zijn er nieuwe competenties nodig.

  • Beheerprocessen: welke technische en functionele beheerprocessen kun je onderscheiden bij datawarehousing en data lakes? Welke tools kun je hiervoor gebruiken?
  • Business & IT: welke rol speelt het BICC in deze processen en wat is de zin (of onzin) ervan? Welke rol speelt de business en welke rol speelt IT?
  • Projectaanpak: wat is een geschikte projectaanpak met het oog op de succes- en risicofactoren? Wat maakt het gebruik van algoritmes de aanpak anders? Wat zijn eigenlijk de belangrijkste succesfactoren voor een goed functionerend datawarehouse en data lake?
  • Support en onderhoud: hoe ontwikkel je een datawarehouse en data lake met support en onderhoud in gedachten? AI vraagt een andere manier van support en onderhoud. De vraag is hoe richt je dat succesvol in?
  • Competenties en vaardigheden: in hoeverre wijkt DWH-onderhoud af van “traditioneel” onderhoud? Welke competenties en vaardigheden zijn nodig voor succesvol beheer van je data lake en datawarehouse? Zeker ook gezien in het licht van de trend dat algoritmes in dit domein steeds belangrijker wordt.

Dag 5: Data governance, datakwaliteit en continu verbeteren

Dag 5 (Data Science opleiding)Data governance is onmisbaar voor organisaties die datagedreven willen werken. De totale levenscyclus van data – van ontstaan tot verwijdering – moet je dan als leerproces en feedbackloop gaan implementeren en borgen. Tijdens dag 5 van onze opleiding Data Science leer je hoe je een robuuste Data Governance-structuur opzet en wat daar zoal bij komt kijken.

MODULE 13: Data governance

De waarde van data governance: hoe kan jouw organisatie waarde ontlenen aan data governance en er voordeel mee behalen? Moet Data Governance totaal anders ingericht worden als je met big data en AI aan de slag gaat?

  • Het Data Governance framework: de docent gaat in op alle aspecten van data governance. Denk hierbij aan de verschillende rollen zoals data stewards en data custodians, maar ook aan de integriteit van de data, datakwaliteit en het goed toegankelijk maken van (big) data, meta- en masterdata. Je leert een Data Governance framework te gebruiken voor je eigen organisatie. Waat moet je in dit framework vooral op letten als AI een belangrijke pijler wordt van de bedrijfsvoering van je organisatie.
  • Van governance naar dataperfectie: je maakt kennis met de ideale route om tot dataperfectie te komen. Natuurlijk gebaseerd op een gedegen kostenbatenanalyse. Welke stappen dien je dan te zetten, wie moet je betrekken en hoe til je jouw eigen organisatie naar een hoger volwassenheidsniveau van datamanagement? Welke mogelijkheden biedt AI daarin?

MODULE 14: Datakwaliteit

Niemand zal het belang van goede datakwaliteit (openlijk) bagatelliseren, maar hoe start je hiermee en wat komt erbij kijken ook als het gaat om oplossingen en succes behalen? Je maakt tijdens dit onderdeel van de Data Science-opleiding kennis met alle thema’s om als doel om de datakwaliteit op een hoger plan te brengen.

  • Datakwaliteit: data kan niet half juist zijn, data is goed óf fout.
  • Sleutelbegrippen: wat zijn de sleutelbegrippen rondom datakwaliteit? Denk hierbij aan compleetheid, juistheid, integriteit, metadata, gekoppelde data, geaggregeerde data, big data, et cetera. Welke zaken moet je juist in jouw situatie in de gaten houden?
  • Ongestructureerde data: je leert hoe je de datakwaliteit van ongestructureerde (sensor) data kan verbeteren en welke succesverhalen er zijn. Wat kun je er van leren? Hoe zorg je er voor dat de kwaliteit goed is en dat AI toepassingen hier succesvol gebruik van kunnen maken.
  • Oplossingen voor datakwaliteit: welke oplossingen zijn er op de markt beschikbaar om de datakwaliteit te monitoren, te analyseren en de data op te schonen, of te markeren, of af te wijzen? Zijn datakwaliteitssystemen met artificial intelligence hierin de gouden graal of zorgen ze juist voor meer problemen dan dat ze oplossen?
  • Succesfactoren: welke valkuilen en succesfactoren spelen daarbij een rol? Wat zijn je eigen ervaringen en wat valt daaruit te leren?

MODULE 15: Continu verbeteren van (big) data

Het gestructureerde proces om te komen tot een structureel hogere datakwaliteit in jouw organisatie krijgt tijdens dit onderdeel van de Data Science-training vorm. Je leert hoe je een continu verbeterproces op kan zetten rondom datakwaliteit. Wat zijn de best practices om dataresultaten te borgen zodat je niet steeds weer met dezelfde datarommel zit opgescheept? Kan je met de komst van AI in dit proces van continu data verbeteren het proces volledig overnemen en weghalen bij de organisatie?

  • Verbetercirkels: de docent geeft je praktisch inzicht in de manier waarop je de datakwaliteit kunt verbeteren onder andere door de verbetercirkel PDCA van dr. William Edwards Deming.
  • Bewustwording en cultuur: hoe zorg je voor bewustwording bij het management? Hoe neem je medewerkers mee? Hoe wijs je ze op het belang van de kwaliteit van gegevens en wat kan dit hen opleveren? Welke culturele aspecten spelen een rol en welke vaardigheden zijn noodzakelijk? Welke cutluur is nodig als je hier algoritmes bij inzet?
  • Gedrag en draagvlak: hoe moet je omgaan met bepaald gedrag van medewerkers en hoe kun je zorgen voor groot draagvlak?
  • Borgen van verbeteringen: je leert hoe je de PDCA-cirkel elke keer weer (dagelijks, wekelijks) doorloopt en rondmaakt en de resultaten kunt borgen.

Dag 6: Onderdelen van AI, machine learning & AI-architectuur ontwikkelen

Dag 6Tijdens de 6e dag van deze opleiding Data Science kom je in aanraking met analytische en voorspellende modellen die de basis vormen voor AI en machine learning en bijbehorende architectuur.

MODULE 16: AI, big data, data science & machine learning

Tijdens deze module leer je precies wat AI inhoudt en uit welke onderdelen dit bestaat. Tevens maak je kennis met de twee belangrijkste onderdelen van AI en data science: machine learning en statistiek.

  • Verdiepingskader AI en begrippen: Wat is AI en hoe verhoudt zich dit tot andere veelgebruikte begrippen als big data, predictive analytics, data science, tekst mining en data mining? Wat is machine learning en welke plaats neemt dit in in het data science proces? Hoe verhoudt AI zich tot BI?
  • Data science proces: waar houdt een data scientist zich mee bezig en uit welke stappen bestaat het data science proces. Welke rol speelt machine learning hierin en hoe kun je de stappen implementeren in jouw organisatie?
  • Statistische kennis: de juiste statistiek toepassen is cruciaal. Welke statistische kennis heb je nodig in jouw data science project?

MODULE 17: De business case voor AI & data science

Er is heel veel geld gemoeid met AI gerelateerde initiatieven. De totale markt wordt geschat op 1.000 triljoen euro (wereldwijd op jaarbasis). Maar ook de opbrengsten kunnen gigantisch zijn, zoals blijkt uit het succes van bijvoorbeeld House of Cards (Netflix). De docent presenteert ook vele andere best practices waar je van kunt leren.

  • Integraal denken & business case: welke relatie moet je leggen tussen algoritmes, big data, innovatie en procesverbetering? Wat zijn de belangrijkste onderdelen uit de big data business case? Hoe moet je omgaan met experimenten en proeftuinen die buiten je gezichtsveld of verantwoordelijkheid plaatsvinden?
  • Overtuigen van het management: op welke wijze neem je het management bij de hand en overtuig je ze van het nut en de noodzaak van AI? Wat voor leiderschap heb je daarvoor nodig in jouw organisatie?
  • Stappen en valkuilen: welke stappen moet je zetten in je big data-project en welke valkuilen en risico’s kun je onderkennen bij het implementeren van algoritmes?

MODULE 18: AI architectuur

Hoe verhoudt AI architectuur zich tot klassieke BI en DWH architectuur? Hoe laat je de AI tools aansluiten op je bestaande architectuur en infrastructuur. Onderwerpen die aan de orde komen zijn:

  • Data science technologie: Wat zijn belangrijkste tools die gebruikt worden en welke impact hebben die op je (staande) architectuur? Hoe ga je om met de meest voorkomende dilemma’s op dit vlak die je tijdens de AI-transitie gaat tegenkomen?
  • Data science referentie architectuur: de docent presenteert een data science referentie architectuur en neemt je mee in de meest crucicale principes die daarin naar voren komen.
  • Nieuwe ontwikkelingen: denk aan cloud, Docker containers, automated machine learning, sensoren, gespecialiseerde hardware (zoals GPU’s), SPARK, Hadoop en REST APIs.

Dag 7: Machine learning algoritmes: theorie en praktijk

Dag 7 (Data Science opleiding)Tijdens de 7e dag van deze opleiding Data Science kom je in aanraking met de theorie, de technieken en de praktijk. Je gaat onder begeleiding van de trainer in een workshop zelf aan de slag met Python en R.

MODULE 19: de algoritmes en machine learning technieken

Als eerste gaat de docent dieper in op de verschillende hoofdgroepen van algoritmes. Hij presenteert de toepassing, werking en de voor- en nadelen. Onderwerpen die aan de orde komen zijn:

  • Betekenis en gebruik van algoritmes: Wat is een algoritme en aanverwante terminologie? Hoe worden algoritmes gebruikt door data scientists?
  • Supervised, unsupervised learning en reinforcement learning: tijdens dit onderdeel ga je leren wat supervised learning, unsupervised learning en reinforcement learning is en in welke situatie je deze manieren van leren kan toepassen. De docent geeft je inzicht in de verschillende typen algoritmes zoals classificatie, regressie, clusteren, beslisbomen, KNN, ensemble modellen en neurale netwerken.
  • Wat is deep learning: je gaat hier inzicht verkrijgen in hoe algoritmes deep learning kunnen toepassen en wat daarbij komt kijken.
  • Validatie van algoritmes: Hoe meet je de performance van een gebruikt algoritme en hoe voorkom je de belangrijkste valkuilen zoals overfitting en underfitting.

MODULE 20: Data science tools

In deze module ga je aan de slag met diverse data science tools die in de praktijk door data scientists gebruikt worden. De docent begint met een overview van de tools die veel gebruikt worden:

  • Open source tools voor data science: Wat is het en waarom zijn de meeste data science tools open source?  Hier krijg je een overzicht van veel gebruikte (open source) tools zoals bijv. Python, R, SCALA, SQL, sklearn, pandas en numpy.
  • Commerciële data science tools: welke commerciële data science tools worden veel gebruikt en waar passen zij in het data science proces. Een aantal commerciële data science tools zoals Rapidminer, SAS, Dataiku en IBM Watson Studio passeren de revu.

MODULE 21: Data science tools in de praktijk, kennismaken met Python & R

In deze workshop ga je kennismaken met veelgebruikte programmeertalen als Python en R maar ook de verschillende ‘interfaces’ waar data scientists mee werken. Tijdens de workshops zal de nadruk liggen op het werken met de taal Python omdat dit de meest gebruikte taal door data scientists is. Maar je gaat ook kennismaken met de taal R.

  • Introductie: hoe moet je Python en R positioneren, waar komen deze talen vandaan en hoe ga je ze gebruiken? Hoe ga je interfacen met de cloud of andere platformen, of ga je een standalone tool gebruiken. Welke zijn er zoal?
  • Notebooks: Wat is een notebook en hoe werken deze?
  • Python basics: Wat zijn de basis elementen om te kunnen werken met Python. Denk bijvoorbeeld aan het gebruik van variabelen, lists, functies en help. Packages zijn soort ‘plug-ins’ die je in Python (of R) kunt laden. Wat zijn veel voorkomende packages en hoe laad je deze in Python.

Dag 8: Data Science in de praktijk

Dag 8Tijdens dag 8 van de cursus data science gaat de docent verder waar hij de vorige dag was gebleven. In een aantal workshops ga je aan de slag met machine learning en tekst mining en leer je zelf modellen te ontwikkelen, te trainen, te testen en te valideren.

MODULE 22: workshop machine learning modellen ontwikkelen

Aan de hand van diverse datasets ga je alle stappen van het data science proces doorlopen. Dat ga je doen met Python, R en een visuele modelleeromgeving. Elke gedeelte zal uit de volgende stappen bestaan:

  • Importeren van data
  • Exploratory Data Analysis (EDA)
  • Data wrangling. Opschonen en bewerken van de data
  • Splitsen van de data set in trainings- en test dataset
  • Machine learning model trainen middels meerdere algoritmes
  • Validatie machine learning model. Hoe goed presteert machine learning model
  • Visualisatie. Hoe visualiseert een data scientist de data.

Daarnaast ga je een workshop doen met text analytics waarbij je een sentiment analyse gaat doen op basis van Twitter data.

Dag 9: Ethiek, privacy, vaardigheden en competenties

Dag 9Tijdens deze 9e opleidingsdag van de training Data Science gaan we in op de belangrijkste ethische principes en privacywetgeving. Tevens ga je leren welke vaardigheden en competenties nodig zijn om van data science een succes te maken.

MODULE 23: Privacy, ethiek en juridische kaders voor data science

Data Science praktiseren zonder in te gaan op privacy en ethiek is tegenwoordig uitgesloten. De grote hoeveelheid te koppelen data stelt je voor een belangrijk vraagstuk: hoe om te gaan met privacy en data-ethiek?

  • Kaders en frameworks: welke (juridische) kaders en frameworks zijn er op dit moment beschikbaar om ethisch te toetsen of je dataplannen wel door de beugel kunnen?
  • Wet- en regelgeving: wat zegt de relevante wet- en regelgeving over het gebruik van identiteitsgebonden data? Wat kun je doen om in te spelen op de publieke opinie en hoe voorkom je imagoschade?
  • Technieken en privacyoplossingen: welke technieken en oplossingen zijn voorhanden om persoonsdata toch te gebruiken en te analyseren en tegelijk de privacy te respecteren? Denk dan onder andere aan data masking in combinatie met data-aggregatie of toestemming vragen aan desbetreffende personen.

MODULE 24: Vaardigheden en competenties bij data science en AI

Data Science is hard op weg om een zeer professioneel vakgebied te worden. In hoog tempo komt nieuwe kennis en technologie beschikbaar. Hoe houd je daar grip op? En hoe breng je jouw BI of data science team op een hoger plan? Statistiek, data blending, analytics en datavisualisatie behoren tot de kerncompetenties van een goede data scientist, maar ook ervaring met het ontwikkelen van machine learning modellen en programmeren is bijna altijd gewenst. Daarnaast behoren goede communicatieve en consultancy-vaardigheden, kennis van BI, privacy en data governance tot de standaardbagage van een professionele data scientist.

  • Drie basisvaardigheden: welke drie basisvaardigheden heeft een data scientist zelf absoluut nodig en hoe ontwikkelt hij of zij die bij de teamleden? Hoe om te gaan met het tekort aan Data Scientists?
  • Data Science team: de belangrijkste Data Science-vaardigheden – soft & hard skills – passeren de revue. Hoe bouw je een Data Science-team dat jouw organisatie klaarstoomt voor een nieuwe fase van ontwikkeling? Welke rollen en competenties kun je dan daarbij onderkennen?

Dag 10: Afsluitende opdracht en certificering

Dag 10Gedurende de opleiding werk je in groepjes aan een uitdagende opdracht om te toetsen of je het geleerde in de praktijk kunt brengen.

De opdracht lever je een week voor de laatste dag van deze data science cursus in en presenteer je op deze dag. We bespreken de resultaten van de verschillende opdrachten integraal met elkaar door.

Streven naar dataperfectie versus gebruikersacceptatie

Data science bij politieHet voorbeeld van de Politie Amsterdam maakt duidelijk dat Data Science niet stopt bij de techniek. De eerste Data Science toepassingen bij de politie waren spraakmakend. De software stippelde voor de agenten dagelijks een route uit waar de kans het grootst was om een crimineel aan te treffen. Hoewel de agenten erg enthousiast leken over de oplossing, accepteerden ze deze aanvankelijk niet. Zij reden gewoon hun gebruikelijke eigen route door de stad zoals ze dat altijd gewend waren. Kortom: algoritmes ontwikkelen zonder rekening te houden met acceptatie door de eindgebruiker is als een loepzuivere diamanten ring die niet wordt gedragen. Inmiddels laten de agenten zich graag adviseren door het algoritme en is deze vorm van predictive policing met succes landelijk uitgerold.

Aanvullende informatie van deze training

De prijs is inclusief het Data Science Dinner, lunchbuffet in het Restaurant Smaakmakers, onbeperkt thee en koffie, overige drankjes en hapjes tijdens de breaks. Je ontvangt ook gratis een exemplaar van de boeken ‘De intelligente organisatie: datagedreven werken met BI, AI & Big Data Science ‘ (7e druk, verwacht begin 2020) en ‘Datacratisch werken: kom in de verbetermodus met een datagedreven PDCA’ van Daan van Beek.

HBO+ niveau
vrijgesteld van BTW
geen studiebelasting
interactief & praktijkgericht
gewaarmerkt digitaal certificaat
van 9:00 tot 17:00

verzeker je van een plaats

Interactieve Data Science opleiding & AI

De opleidingen van de Passionned Academy worden zeer gewaardeerd, onder andere vanwege de grote mate van interactiviteit en deskundigheid van de docenten. Iedere opleidingsdag is er voldoende gelegenheid om eigen cases in te brengen en ervaringen met andere deelnemers uit te wisselen. Gedurende deze Data Science opleiding werk je aan een concrete opdracht, waardoor een ideale mix ontstaat tussen theorie en praktijk.

Na afronding van onze unieke Master of Data Science opleiding ontvang je een digitale badge voor LinkedIn, een certificaat van de Passionned Academy en een door de auteur gesigneerd exemplaar van de boeken De intelligente organisatie’ (7e druk, verwacht begin 2020) en ‘Datacratisch werken’ (uitgave 2019).

Doelgroep

De Master of Data Science training is opgezet voor iedereen die een datagedreven organisatie wil realiseren en tegelijk de intelligentie wil verhogen van zijn of haar bedrijf met behulp van algoritmes. Onze data science cursus is vooral gericht op (aankomend) Data Science managers, Business Intelligence managers, Chief Information Officers, business managers, programmamanagers, Chief Data Officers, controllers, business analisten, BI-consultants, informatiemanagers, Data Scientists, adviseurs en data analisten.

Meld je nu aan voor onze Data Science training

Via ons inschrijfformulier kun je jezelf direct inschrijven voor de eerstkomende training Data Science. Maar er zijn natuurlijk ook andere opties beschikbaar. Wil je deze Data Science training liever incompany volgen, of heb je nog vragen, neem dan gerust contact met ons op.

direct inschrijven

Een selectie van onze klanten

Word nu ook klant

Wil je ook klant bij ons worden? Wij helpen je maar wat graag verder met onze data science training of andere zaken waar je slimmer van wordt.

Jack Esselink, Big Data evangelist

JACK ESSELINK

Internationaal AI & Big Data expert

neem contact met mij op

Fact sheet

Organisaties geholpen
10726
Trainingen & workshops
10727
Deelnemers opgeleid
10728
Beoordeling klanten
8,9
Consultants & docenten
10729
Kantoren
3
Jaar ervaring
14