Power BI en Python Cursus

Les 1 • Je ontwikkelomgeving inrichten

Installeer Power BI Desktop en Python, configureer vervolgens paden en afhankelijkheden. Deze basis zorgt ervoor dat elke volgende oefening zonder omgevingsfouten wordt uitgevoerd.

Les 2 • Power BI-interface en kernconcepten

Navigeer door de Power BI Desktop-interface en begrijp rapporten, datasets en werkruimten. Vertrouwdheid met de UI versnelt al het latere werk aan datamodellering.

Les 3 • Python-grondbeginselen voor datawerk

Behandel de Python-syntaxis, datatypes en control flow die relevant zijn voor analytische taken. Deze vaardigheden vormen de basis voor elk Python-script dat in Power BI wordt gebruikt.

Les 1 • Python-scripts als databronnen uitvoeren

Voer Python-scripts direct in Power BI uit om brongegevens te genereren of transformeren. Dit overbrugt beide tools tot één uniforme innamepijplijn.

Les 2 • REST API's en webgegevens gebruiken

Haal gegevens op uit REST API's met Python-requests en Power BI-webconnectors. Studenten verwerven vaardigheden om toegang te krijgen tot live, dynamische data die niet in statische bestanden beschikbaar is.

Les 3 • Gegevens laden met Python en pandas

Gebruik pandas om CSV-, Excel-, JSON- en SQL-bronnen in DataFrames te lezen. Dit weerspiegelt de inname van Power BI en maakt voorverwerking aan de Python-kant mogelijk.

Les 1 • Gegevens hervormen en aggregeren

Pivot, melt, group en aggregeer gegevens in zowel pandas als Power Query. Hervormingsvaardigheden zijn essentieel voor het bouwen van de gestructureerde tabellen die Power BI-modellen vereisen.

Les 2 • Power Query Editor-basisprincipes

Gebruik Power Query om kolommen te filteren, hernoemen, splitsen en samenvoegen zonder code. Deze GUI-gebaseerde vaardigheden verzorgen het merendeel van de routinematige opschoningstaken.

Les 3 • Geavanceerde Power Query met M Language

Schrijf M-expressies om complexe transformaties te automatiseren die verder gaan dan de GUI. Aangepaste M-functies breiden Power Query uit om dynamische, geparametriseerde logica aan te kunnen.

Les 1 • Het datamodel optimaliseren

Verklein de modelgrootte en verbeter de querysnelheid door kolommen te verwijderen, aggregaties toe te passen en opslagmodi te gebruiken. Optimalisatie zorgt ervoor dat dashboards responsief blijven bij bedrijfsdatavolumes.

Les 2 • Inleiding tot DAX

Schrijf berekende kolommen en eenvoudige metingen met behulp van DAX-syntaxis en evaluatiecontext. DAX is de primaire taal voor alle analytische berekeningen in Power BI.

Les 3 • Intermediate DAX-patronen

Pas CALCULATE-, FILTER- en tijdintelligentiefuncties toe om bedrijfs-KPI's te bouwen. Deze patronen dekken de meeste real-world analytische vereisten.

Les 1 • Opmaak- en ontwerpprincipes

Pas consistente kleur, typografie en lay-out toe om professionele rapporten te produceren. Ontwerpdiscipline vermindert de cognitieve belasting en verhoogt het vertrouwen van belanghebbenden.

Les 2 • Het juiste visualisatietype kiezen

Koppel datakarakteristieken aan staaf-, lijn-, spreidings-, kaart- en tabelvisualisaties. De juiste visuele selectie is de basis van eerlijke, leesbare datacommunicatie.

Les 3 • Python-visualisaties in Power BI

Geef Matplotlib- en Seaborn-diagrammen weer als Power BI-visuals met behulp van het Python-visual-object. Hiermee worden statistische en aangepaste kaarttypen ontsloten die niet native beschikbaar zijn.

Les 1 • Beschrijvende statistieken met Python

Bereken samenvattende statistieken, verdelingen en correlaties met behulp van pandas en NumPy. Deze statistieken vormen de basis voor al het diepere analytische werk.

Les 2 • Grondbeginselen van hypothesetoetsing

Pas t-toetsen, chikwadraattoetsen en ANOVA toe met SciPy om bedrijfshypothesen te valideren. Statistische toetsing biedt een op bewijs gebaseerde rechtvaardiging voor beslissingen.

Les 3 • Python-analyses weergeven in Power BI

Geef met Python berekende statistieken en modeluitvoer door aan Power BI-rapporten. Dit sluit de cirkel tussen Python-analyse en bedrijfsgerichte dashboards.

Les 1 • Voorspellingen in Power BI insluiten

Laad opgeslagen scikit-learn-modellen in Power BI Python-scripts om nieuwe gegevens te scoren. Voorspellingen worden filterbare kolommen in live rapporten zonder hertraining.

Les 2 • Classificatie- en regressiemodellen

Train beslissingsbomen, random forests en lineaire modellen met scikit-learn-pijplijnen. Deze algoritmen lossen de meest voorkomende voorspellende bedrijfsproblemen op.

Les 3 • Overzicht van de machine learning-workflow

Begrijp de end-to-end ML-pijplijn van datavoorbereiding tot modelimplementatie. Een duidelijke workflow voorkomt veelgemaakte fouten in feature engineering en evaluatie.

Les 1 • Beveiliging op rijniveau en toegangscontrole

Definieer RLS-rollen in DAX en wijs gebruikers toe om de gegevenszichtbaarheid per rol te beperken. Beveiligingsregels zorgen ervoor dat elke gebruiker alleen de gegevens ziet die hij mag inzien.

Les 2 • Workflows automatiseren met Power Automate

Activeer Power Automate-flows vanuit Power BI-waarschuwingen en datagestuurde condities. Automatisering vermindert handmatige monitoring en versnelt de reactie op bedrijfsgebeurtenissen.

Les 3 • Dataherkomst en documentatie

Gebruik de herkomstweergave en aanbevelingsfuncties om de herkomst van datasets te documenteren. Duidelijke herkomst vermindert fouten wanneer meerdere teams dezelfde datasets delen en erop voortbouwen.