Cursus Data Science en Data Analytics

Les 1 • Het Analytics Spectrum

Introduceert beschrijvende, diagnostische, voorspellende en prescriptieve analytics. Studenten koppelen elk type aan zakelijke vragen en verwachte outputs.

Les 2 • Wat Data Science Is

Definieert data science, de reikwijdte ervan en hoe het verschilt van statistiek en software-engineering. Vestigt de woordenschat die in de hele cursus wordt gebruikt.

Les 3 • Datatypes en -structuren

Behandelt gestructureerde, semi-gestructureerde en ongestructureerde dataformaten. Koppelt datatypebewustzijn aan de juiste tool- en methodekeuze.

Les 1 • NoSQL- en Cloudopslagopties

Onderzoekt document-, sleutelwaarde- en kolomgerichte NoSQL-opslag naast cloudobjectopslag. Studenten selecteren opslagtypes op basis van datavolume en querypatronen.

Les 2 • Primaire en Secundaire Databronnen

Onderscheidt first-party-, second-party- en third-party-data en hun afwegingen. Baseert bronselectie op betrouwbaarheids- en relevantiecriteria.

Les 3 • Eenvoudige Datapijplijnen Bouwen

Combineert verzamelings- en opslagvaardigheden in geautomatiseerde opnameworkflows. Studenten schrijven scripts die data betrouwbaar extraheren, transformeren en laden.

Les 4 • Web Scraping en API's

Leert programmatische dataophaling met REST-API's en HTML-scraping. Studenten extraheren en parseren echte data van live webbronnen.

Les 1 • Datatransformatietechnieken

Past normalisatie, standaardisatie, codering en binning toe om features voor te bereiden. Koppelt transformaties aan vereisten voor compatibiliteit met stroomafwaartse modellen.

Les 2 • Datasets Hervormen en Samenvoegen

Leert pivoting, melting, concatenaten en joinen van meerdere DataFrames. Studenten consolideren data uit meerdere bronnen tot uniforme analysetabellen.

Les 3 • Basisprincipes van Verkennende Data-analyse

Gebruikt samenvattende statistieken en verdelingen om datasetkenmerken te begrijpen. Biedt de diagnostische lens die nodig is voordat er wordt opgeschoond.

Les 4 • Omgaan met Ontbrekende en Corrupte Data

Behandelt detectie-, imputatie- en verwijderingsstrategieën voor onvolledige records. Studenten kiezen methoden op basis van mechanismen van missingness (MCAR, MAR, MNAR).

Les 1 • Principes van Effectieve Visualisatie

Behandelt perceptuele principes, grafiekselectie en veelvoorkomende visualisatievalkuilen. Verankert ontwerpbeslissingen in begrip door het publiek en dataintegriteit.

Les 2 • Interactieve Visualisatie met Plotly

Creëert hover-enabled, zoombare grafieken en dashboards met Plotly en Dash. Breidt statische vaardigheden uit naar webklare, door de gebruiker gestuurde verkenning.

Les 3 • Data Storytelling en Presentatie

Structureert analytische bevindingen in samenhangende verhalen voor leidinggevend publiek. Studenten maken slide-decks en rapporten die beslissingen sturen.

Les 4 • Geospatiale en Multivariate Visuals

Introduceert choropletenkaarten, heatmaps en parallelle coördinaten voor complexe data. Studenten visualiseren ruimtelijke en hoogdimensionale relaties effectief.

Les 1 • Kader voor Hypothesetesten

Introduceert nul- en alternatieve hypothesen, p-waarden en Type I/II-fouten. Studenten passen het kader toe op echte zakelijke en wetenschappelijke vragen.

Les 2 • Veelvoorkomende Statistische Toetsen

Past t-toetsen, chi-kwadraat, ANOVA en Mann-Whitney-toetsen toe op geschikte datatypes. Studenten selecteren toetsen op basis van dataschaal en distributieaannames.

Les 3 • Correlatie- en Regressieanalyse

Meet lineaire relaties en bouwt eenvoudige en meervoudige regressiemodellen. Overbrugt beschrijvende statistiek naar de later geïntroduceerde voorspellende modellering.

Les 4 • Kansrekening en Verdelingen

Behandelt kansregels, stochastische variabelen en belangrijke verdelingen (normaal, binomiaal, Poisson). Biedt de wiskundige basis voor al het inferentiële werk.

Les 1 • Regressie-algoritmen

Breidt lineaire regressie uit naar geregulariseerde modellen (Ridge, Lasso) en op bomen gebaseerde regressoren. Studenten voorspellen continue uitkomsten en interpreteren coëfficiënten.

Les 2 • Kern-ML-concepten en Workflow

Definieert training-, validatie- en testsplitsingen, bias-variantie-afweging en overfitting. Vestigt de end-to-end ML-pijplijn die in elk volgend model wordt gebruikt.

Les 3 • Modelevaluatie en -selectie

Gebruikt kruisvalidatie, verwarringsmatrices, ROC-AUC en RMSE om modellen te beoordelen. Studenten selecteren het beste model voor een bepaalde taak met behulp van objectieve metrieken.

Les 4 • Classificatie-algoritmen

Behandelt logistische regressie, decision trees, k-NN en support vector machines. Studenten trainen en vergelijken classificatoren op gelabelde datasets.

Les 1 • Hyperparameteroptimalisatie

Past grid search, random search en Bayesiaanse optimalisatie toe om modellen af te stemmen. Studenten automatiseren het afstemmen en documenteren prestatieverbeteringen systematisch.

Les 2 • Basisbeginselen van Neurale Netwerken

Bouwt feedforward-netwerken met Keras, met aandacht voor lagen, activeringen en backpropagation. Koppelt de mechanica van neurale netwerken aan de deep learning-modellen die volgen.

Les 3 • Basisbeginselen van Natural Language Processing

Behandelt tokenization, TF-IDF, woordembeddings en op transformatoren gebaseerde classificatie. Studenten bouwen tekstclassificatoren en sentimentanalyzers.

Les 4 • Ensemble-methoden

Behandelt bagging, boosting en stacking met Random Forest, XGBoost en LightGBM. Studenten stemmen ensembles af om state-of-the-art tabelprestaties te bereiken.

Les 1 • REST-API's voor Modellen Bouwen

Verpakt getrainde modellen in FastAPI-eindpunten voor realtime inferentie. Studenten testen, documenteren en beveiligen voorspellings-API's.

Les 2 • Modelverpakking en Serialisatie

Slaat modellen op en laadt ze met pickle, joblib en ONNX voor draagbaarheid. Zorgt voor reproduceerbaarheid in verschillende omgevingen en tussen teamleden.

Les 3 • Containerisatie met Docker

Verpakt model-API's in Docker-containers voor consistente, draagbare implementatie. Studenten schrijven Dockerfiles en beheren images voor ML-services.

Les 4 • Cloudimplementatie en Schaling

Implementeert gecontaineriseerde modellen naar cloudplatforms met behulp van beheerde services. Studenten configureren automatische schaling en load balancing voor productieverkeer.