Full-Stack Data Science Opleiding

Les 1 • Essentiële Python-programmering

Behandelt Python-syntax, datastructuren en controle-instructies als de primaire programmeertaal. Legt de scriptbasis waar al het verdere datawerk op voortbouwt.

Les 2 • Lineaire algebra voor data science

Leert vectoren, matrices en decomposities als de wiskundige ruggengraat van ML-algoritmes. Koppelt direct aan dimensionaliteitsreductie en modeloptimalisatie later.

Les 3 • NumPy voor numeriek rekenen

Introduceert array-gebaseerd rekenen met NumPy voor snelle numerieke bewerkingen. Maakt matrixwiskunde en gevectoriseerde datatransformaties mogelijk die in de hele cursus worden gebruikt.

Les 4 • Calculus- en optimalisatiegrondslagen

Behandelt afgeleiden, gradiënten en de kettingregel als hulpmiddelen voor het begrijpen van modeltraining. Geeft de intuïtie achter gradiëntdaling die in elk ML-hoofdstuk wordt gebruikt.

Les 1 • Gegevensvisualisatie met Matplotlib en Seaborn

Bouwt vaardigheden in het maken van grafieken met Matplotlib en Seaborn voor het communiceren van datainzichten. Vloeiendheid in visualisatie ondersteunt zowel EDA als rapportage aan belanghebbenden gedurende de cursus.

Les 2 • Gegevensopname en basisprincipes van pandas

Introduceert DataFrames, Series en bestands-I/O voor het laden van gestructureerde gegevens uit meerdere bronnen. Vormt het toegangspunt voor alle gegevensmanipulatietaken in dit hoofdstuk.

Les 3 • Feature-engineering en transformatie

Leert encoderen, schalen, indelen in bakken en het creëren van afgeleide features om gegevens voor te bereiden op ML. Getransformeerde features zijn de directe invoer voor alle supervised learning-modellen.

Les 4 • Technieken voor verkennend gegevensonderzoek

Past statistische samenvattingen en visualisaties toe om patronen, correlaties en afwijkingen te ontdekken. EDA-bevindingen sturen feature-selectie en modelkeuze in volgende hoofdstukken.

Les 1 • Kern SQL-query's schrijven

Behandelt SELECT-, WHERE-, ORDER BY- en LIMIT-clausules voor het ophalen en filteren van gegevens. Dit zijn de bouwstenen voor elke analytische query in dit hoofdstuk.

Les 2 • Concepten van relationele databases

Legt tabellen, sleutels, schema's en normalisatie uit als de structurele basis van relationele databases. Inzicht in schema-ontwerp is een voorwaarde voor het schrijven van effectieve query's.

Les 3 • SQL voor data science-workflows

Past SQL toe voor gegevensextractie, feature-berekening en pipeline-integratie met Python. Overbrugt database-query's en de op pandas gebaseerde analyse uit hoofdstuk 2.

Les 4 • Subquery's en vensterfuncties

Introduceert subquery's, CTE's en vensterfuncties voor geavanceerde analytische SQL-patronen. Deze technieken zijn essentieel voor rangschikking, cumulatieve totalen en cohortanalyse.

Les 1 • Hyperparameter-afstemming en kruisvalidatie

Behandelt grid search, random search en k-voudige kruisvalidatie voor robuuste modeloptimalisatie. Deze technieken voorkomen overfitting en zorgen voor betrouwbare prestatieschatters.

Les 2 • Machine learning-workflow en scikit-learn

Introduceert de end-to-end ML-pipeline: gegevens splitsen, modellen aanpassen en voorspellingen evalueren. Legt het scikit-learn API-patroon vast dat in elke volgende ML-sectie wordt gebruikt.

Les 3 • Ensemble-methoden en boosting

Introduceert random forests, gradient boosting en XGBoost als hoogwaardige ensemblemodellen. Bouwt voort op enkelvoudige modelconcepten om state-of-the-art resultaten te behalen op tabelgegevens.

Les 4 • Regressiemodellen en evaluatie

Behandelt lineaire, ridge, lasso en polynomiale regressie voor continue doelvariabele-voorspelling. Evaluatiemetrics zoals RMSE en R² worden hier geïntroduceerd en in het hele hoofdstuk hergebruikt.

Les 1 • Methoden voor anomaliedetectie

Past isolation forest, one-class SVM en statistische methoden toe om uitschieters in gegevens te detecteren. Anomaliedetectie is een directe toepassing van unsupervised learning op praktijkproblemen.

Les 2 • Niet-lineaire dimensionaliteitsreductie

Introduceert t-SNE en UMAP voor het visualiseren van hoogdimensionale gegevens in twee of drie dimensies. Deze methoden onthullen clusterstructuur die PCA niet kan vastleggen in niet-lineaire gegevens.

Les 3 • Topicmodellering en matrixfactorisatie

Behandelt NMF en LDA voor het extraheren van latente onderwerpen uit documentcollecties en spaarzame matrices. Breidt unsupervised learning uit naar tekst- en aanbevelingssysteemgebruiksscenario's.

Les 4 • Principale componentenanalyse

Behandelt PCA als een lineaire techniek voor variantie-behoudende dimensionaliteitsreductie. Verbindt eigenwaarde-ontbinding uit hoofdstuk 1 met praktische feature-compressie en visualisatie.

Les 1 • Grondslagen van neurale netwerken

Introduceert perceptrons, activatiefuncties en terugpropagatie als de kernmechanica van neurale netwerken. Verbindt gradiëntdaling uit hoofdstuk 1 met gewichtsupdateregels.

Les 2 • Convolutionele neurale netwerken

Behandelt convolutie, pooling en CNN-architecturen voor beeldclassificatie en feature-extractie. Bouwt voort op feedforward-netwerken om ruimtelijke datastructuren te verwerken.

Les 3 • Modellen bouwen met Keras en TensorFlow

Leert de Sequential en Functionele API's voor het construeren en trainen van deep learning-modellen. Legt de coderingspatronen vast die in alle volgende deep learning-secties worden gebruikt.

Les 4 • Recurrente netwerken en sequentiemodellering

Introduceert RNN's, LSTM's en GRU's voor het modelleren van sequentiële en tijdreeksgegevens. Bereidt studenten voor op NLP- en voorspellingstaken die in latere hoofdstukken worden behandeld.

Les 1 • Named entity recognition en informatie-extractie

Past sequentielabelmodellen en spaCy toe om entiteiten, relaties en gestructureerde gegevens uit tekst te extraheren. Verbindt NLP-modellen met praktische informatie-extractie-pipelines.

Les 2 • Woordembeddings en semantische representaties

Introduceert Word2Vec, GloVe en FastText voor dichte semantische woordrepresentaties. Embeddings vervangen spaarzame vectoren en verbeteren de modelprestaties bij downstream NLP-taken.

Les 3 • Transformator-modellen en BERT

Introduceert het aandachtsmechanisme, de transformatorarchitectuur en BERT voor contextuele NLP. Behandelt het finetunen van voorgetrainde modellen voor classificatie en named entity recognition.

Les 4 • Tekstvoorbewerking en -representatie

Behandelt tokenisatie, stamming, stopwoordverwijdering en TF-IDF voor het omzetten van ruwe tekst naar features. Deze voorbewerkingsstappen vormen de basis van elke NLP-pipeline in dit hoofdstuk.

Les 1 • ML-pipelines en workflow-orkestratie

Introduceert Airflow en Prefect voor het plannen, orkestreren en monitoren van ML-trainingspipelines. Geautomatiseerde pipelines vervangen handmatige hertraining en verminderen het operationele risico.

Les 2 • Modelmonitoring en driftdetectie

Behandelt datadrift, conceptdrift en monitoring van prestatievermindering voor geïmplementeerde modellen. Continue monitoring sluit de lus tussen implementatie en modelhertraining.

Les 3 • ML-projectstructuur en reproduceerbaarheid

Stelt projectlay-out, virtuele omgevingen en versiebeheerpraktijken vast voor reproduceerbare ML. Reproduceerbaarheid is de voorwaarde voor elke implementatie- en samenwerkingstaak in dit hoofdstuk.

Les 4 • Experiment tracking en model registry

Past MLflow toe voor het loggen van parameters, metrics en artefacten tijdens trainingen. Een model registry maakt versiebeheerde promotie van experiment naar productie mogelijk.