Cursus Data Science voor beginners

Les 1 • Een data science-omgeving opzetten

Installeert en configureert essentiële tools voor reproduceerbare analyse. Zorgt dat elke student een werkende omgeving heeft voordat het programmeren begint.

Les 2 • De data science-levenscyclus

Volgt een project van bedrijfsprobleem tot geïmplementeerde oplossing. Biedt een denkmodel voor het organiseren van alle vervolgtechnische vaardigheden.

Les 3 • Wat data science is

Definieert data science, onderscheidt het van gerelateerde vakgebieden en brengt de kernelementen in kaart. Stelt een gedeelde woordenschat vast die in de hele cursus wordt gebruikt.

Les 1 • Datamanipulatie met pandas

Leert DataFrame-creatie, indexering, filtering en transformatie. Ondersteunt direct de komende hoofdstukken over data cleaning en feature engineering.

Les 2 • Bestands-I/O en data laden

Leest en schrijft CSV-, JSON- en Excel-bestanden en maakt verbinding met SQL-databases. Bereidt studenten voor om real-world datasets in elk formaat in te lezen.

Les 3 • Werken met NumPy-arrays

Introduceert gevectoriseerde numerieke berekeningen met NumPy. Maakt snelle arraybewerkingen mogelijk die ten grondslag liggen aan pandas en machine learning-bibliotheken.

Les 4 • Herbruikbare Python-code schrijven

Past functies, modules en foutafhandeling toe om onderhoudbare scripts te bouwen. Stelt codeerpraktijken vast die opschalen naar volledige projectpipelines.

Les 1 • Omgaan met ontbrekende data

Vergelijkt strategieën voor verwijdering, imputatie en indicatoren voor ontbrekende waarden. Leert afwegingen die de prestaties van downstream-modellen beïnvloeden.

Les 2 • Datakwaliteit beoordelen

Identificeert ontbrekende waarden, duplicaten en inconsistenties door middel van profilering. Stelt een systematisch auditproces in voordat enige transformatie begint.

Les 3 • Data transformeren en standaardiseren

Past typeconversie, normalisatie en codering toe op ruwe kolommen. Produceert consistente formaten die vereist zijn voor statistische en machine learning-modellen.

Les 4 • Reproduceerbare datapipelines bouwen

Kapselt schoonmaakstappen in in herbruikbare functies en pipeline-objecten. Zorgt voor consistente preprocessing in trainings- en productiedatasets.

Les 1 • Algemene statistische toetsen

Past t-toetsen, chi-kwadraattoetsen en ANOVA toe op real-world datasets. Rust studenten uit om de juiste toets te kiezen en uit te voeren voor elk datascenario.

Les 2 • Correlatie en lineaire relaties

Kwantificeert lineaire verbanden met Pearson- en Spearman-correlatie. Legt de basis voor regressiemodellering in het volgende hoofdstuk.

Les 3 • Kansrekening essentie

Behandelt kansregels, voorwaardelijke kans en veelvoorkomende verdelingen. Biedt de wiskundige taal die in elk probabilistisch model wordt gebruikt.

Les 4 • Principes van experimenteel ontwerp

Behandelt gecontroleerde experimenten, randomisatie en A/B-testframeworks. Bereidt studenten voor om geldige tests te ontwerpen voor data-gestuurde besluitvorming.

Les 1 • Beschrijvende statistiek fundamenten

Berekent maten van centrale tendentie, spreiding en vorm voor numerieke variabelen. Biedt de kwantitatieve basis voor het interpreteren van alle visualisaties.

Les 2 • Uni- en bivariate analyse

Onderzoekt enkelvariabele verdelingen en paarsgewijze relaties tussen variabelen. Onthult featuregedrag en potentiële voorspellende signalen.

Les 3 • Visualisatie beste praktijken

Past ontwerpprincipes toe om duidelijke, nauwkeurige en doelgroepgeschikte grafieken te maken. Voorkomt misleidende visuals en verbetert de communicatie met stakeholders.

Les 4 • EDA-gestuurde feature-inzichten

Vertaalt EDA-bevindingen naar actiegerichte beslissingen over feature engineering en modellering. Overbrugt verkennend werk met de komende machine learning-hoofdstukken.

Les 1 • Classificatie-algoritmen

Traint logistische regressie, decision trees, k-nearest neighbors en naive Bayes-classificatoren. Verbindt algoritmekeuzes met datakenmerken en bedrijfsvereisten.

Les 2 • Modelevaluatie en -metrieken

Past nauwkeurigheid, precisie, recall, F1, ROC-AUC en RMSE toe om modelkwaliteit te beoordelen. Leert metriekselectie op basis van klasse-onbalans en zakelijke kostenafwegingen.

Les 3 • Regressie-algoritmen

Behandelt lineaire, ridge, lasso en decision tree-regressie voor continue doelen. Leert wanneer en waarom regularisatie moet worden toegepast om overfitting te verminderen.

Les 4 • Machine learning-workflow

Stelt het end-to-end-proces vast van data splitsen tot modelevaluatie. Biedt een herhaalbaar framework dat op elk algoritme in dit hoofdstuk wordt toegepast.

Les 1 • Dimensionaliteitsreductie

Vermindert de feature-ruimte met PCA en t-SNE terwijl betekenisvolle variantie behouden blijft. Verbetert visualisatie, versnelt training en beperkt de vloek van dimensionaliteit.

Les 2 • Feature-selectiemethoden

Verwijdert irrelevante en redundante features met behulp van filter-, wrapper- en embedded methoden. Vermindert overfitting en versnelt modeltraining.

Les 3 • Feature engineering-technieken

Creëert nieuwe informatieve features uit bestaande kolommen door transformatie en interactie. Verbetert direct de voorspellende kracht van modellen uit het vorige hoofdstuk.

Les 4 • Clustering-algoritmen

Past k-means, hiërarchische en DBSCAN-clustering toe om natuurlijke groeperingen te ontdekken. Maakt klantsegmentatie, anomaliedetectie en datasamenvatting mogelijk.

Les 1 • Een model-API bouwen

Wikkelt een getraind model in een REST API met Flask of FastAPI. Maakt het mogelijk voor andere applicaties en services om voorspellingen programmatisch te consumeren.

Les 2 • Modellen opslaan en versiebeheer

Serialiseert getrainde modellen en volgt experimenten met versiebeheertools. Zorgt voor reproduceerbaarheid en maakt terugdraaien mogelijk wanneer productiemodellen verslechteren.

Les 3 • Modelmonitoring en -onderhoud

Volgt predictiedrift, datadrift en prestatievermindering in productie. Stelt processen in voor het opnieuw trainen en updaten van geïmplementeerde modellen.

Les 4 • Resultaten communiceren naar stakeholders

Vertaalt technische bevindingen naar heldere verhalen en visuele dashboards voor zakelijke doelgroepen. Overbrugt de kloof tussen modeloutput en organisatorische besluitvorming.