Microsoft-cursus: Coderen en data-analyse met AI

Les 1 • Je analyseomgeving instellen

Begeleidt de omgevingsconfiguratie voor Python, VS Code en Copilot. Een werkende opstelling is vereist voordat er met praktische codeeroefeningen wordt begonnen.

Les 2 • Microsoft AI-landschap

Geeft een overzicht van AI-geïntegreerde Microsoft-producten die relevant zijn voor datawerk. Studenten identificeren welke tools van toepassing zijn op hun specifieke analysescenario's.

Les 3 • Data-analyse op de moderne werkplek

Definieert rollen, output en bedrijfswaarde van data-analyse. Verankert de cursus door te laten zien waar coderen en AI de productiviteit van de analist versnellen.

Les 1 • Werken met bestanden en gegevensformaten

Demonstreert het lezen en schrijven van CSV-, JSON- en Excel-bestanden in Python. Maakt directe invoer van echte analistengegevens in latere hoofdstukken mogelijk.

Les 2 • Python-syntax en datatypes

Behandelt variabelen, operatoren en de kerndatatypes die in analysescripts worden gebruikt. Biedt de syntaxbasis die nodig is voor alle volgende codeerhoofdstukken.

Les 3 • Control flow en functies

Leert conditionals, loops en herbruikbare functies voor het automatiseren van repetitieve analysestappen. Studenten herstructureren handmatige taken in aanroepbare functies.

Les 4 • Copilot gebruiken om Python-codering te versnellen

Past GitHub Copilot toe om het schrijven van Python-scripts te versnellen met inline suggesties. Studenten leren AI-aanvullingen kritisch te evalueren, accepteren en verfijnen.

Les 1 • Data filteren, sorteren en transformeren

Behandelt booleaanse filtering, sorteren op meerdere kolommen en kolomtransformaties. Deze bewerkingen vormen de kern van exploratieve data-analyseworkflows.

Les 2 • Dataschoongstechnieken

Gaat in op ontbrekende waarden, duplicaten en inconsistente formaten die de analyse belemmeren. Studenten gebruiken Copilot-prompts om schoonmaakcode te genereren en te valideren.

Les 3 • Pandas DataFrames en Series

Introduceert de DataFrame- en Series-structuren die centraal staan in tabelvormig datawerk. Legt de indexerings- en selectiepatronen vast die in het hele hoofdstuk worden gebruikt.

Les 4 • Groeperen en aggregeren

Leert groupby-bewerkingen en draaitabellen voor het samenvatten van bedrijfsdata. Studenten genereren samenvattende rapporten die direct worden gebruikt in visualisatiehoofdstukken.

Les 1 • Prompts voor codegeneratie

Richt zich op het genereren van Python- en SQL-code via precieze prompts in natuurlijke taal. Studenten vergelijken outputs over promptvariaties om gevoeligheid te begrijpen.

Les 2 • Chain-of-Thought en meerstappenprompts

Introduceert gekoppelde prompts die complexe analyse opsplitsen in opeenvolgende AI-ondersteunde stappen. Studenten bouwen promptketens voor end-to-end dataworkflows.

Les 3 • Promptsjablonen en herbruikbare bibliotheken

Begeleidt het maken van geparameteriseerde promptsjablonen die worden opgeslagen voor teamhergebruik. Stelt een persoonlijke promptbibliotheek op als professioneel productiviteitsmiddel.

Les 4 • Prompts voor data-interpretatie

Gebruikt AI om statistieken samen te vatten, afwijkingen uit te leggen en narratieve inzichten op te stellen. Verbindt AI-taaloutput met de vertelfase van analyse.

Les 1 • Copilot-ondersteund schrijven van automatiseringsscripts

Gebruikt Copilot om automatiseringsscripts end-to-end op te stellen, te verfijnen en te documenteren. Studenten evalueren AI-gegenereerde automatiseringscode op juistheid en beveiliging.

Les 2 • Microsoft Graph API voor Office-data

Introduceert de Microsoft Graph API voor het lezen van SharePoint-, OneDrive- en Teams-data. Studenten authenticeren en halen organisatiegegevens programmatisch op.

Les 3 • Automatiseringsscripts plannen en activeren

Leert taakplanning met Windows Taakplanner en Azure Functions-triggers. Studenten implementeren scripts die automatisch op een vast schema draaien.

Les 4 • Excel-automatisering met openpyxl en xlwings

Behandelt programmatisch maken van werkboeken, opmaak en formule-invoeging. Vervangt handmatig Excel-werk door reproduceerbare, geplande Python-scripts.

Les 1 • AI-ondersteund schrijven van SQL-query's

Gebruikt Copilot en prompts in natuurlijke taal om SQL-query's te genereren en uit te leggen. Studenten valideren AI-gegenereerde SQL tegen verwachte resultaten vóór implementatie.

Les 2 • Python verbinden met databases

Demonstreert SQLAlchemy- en pyodbc-verbindingen met SQL Server en Azure SQL. Studenten voeren query's uit vanuit Python en laden resultaten rechtstreeks in DataFrames.

Les 3 • Geautomatiseerde datapijplijnen bouwen

Koppelt SQL-extractie, Python-transformatie en laadstappen in geplande pijplijnen. Studenten implementeren een werkende extract-transform-load-pijplijn tegen het einde van het onderdeel.

Les 4 • Query-optimalisatie en prestaties

Behandelt indexering, uitvoeringsplannen en herschrijven van query's voor prestatieverbeteringen. AI-tools helpen bij het identificeren van trage querypatronen en het voorstellen van verbeteringen.

Les 1 • Interactieve dashboards met Plotly en Streamlit

Bouwt interactieve webdashboards die in een browser of Teams-tab kunnen worden geïmplementeerd. Breidt statische grafieken uit tot verkennbare tools voor niet-technische belanghebbenden.

Les 2 • Grafieken bouwen met Matplotlib en Seaborn

Produceert staaf-, lijn-, spreidings- en heatmaps met behulp van Python-bibliotheken. Studenten passen publicatieklare figuren aan en exporteren deze uit DataFrame-data.

Les 3 • AI-gegenereerde narratieve samenvattingen

Gebruikt Copilot en Azure OpenAI om geschreven inzichtssamenvattingen te genereren uit grafiekdata. Studenten beoordelen, bewerken en verwerken AI-verhalen in rapporten voor belanghebbenden.

Les 4 • Visualisatieprincipes voor analisten

Behandelt grafiekselectie, kleurentheorie en helderheidsprincipes voor zakelijke doelgroepen. Voorkomt veelvoorkomende visualisatiefouten voordat er code wordt geschreven.

Les 1 • Retrieval-Augmented Generation voor data

Combineert vector zoeken met AI-generatie om vragen te beantwoorden over grote documentosets. Studenten bouwen een retrieval-augmented generation-pijplijn op organisatiegegevens.

Les 2 • Azure OpenAI API voor aangepaste analyse

Roept Azure OpenAI-eindpunten aan vanuit Python om generatieve AI in analysetools in te bedden. Studenten bouwen functies die datacontext verzenden en gestructureerde AI-antwoorden ophalen.

Les 3 • AI-governance en risicobeheer

Gaat in op vooringenomenheid, hallucinatie, gegevensprivacy en auditbaarheid bij AI-ondersteunde analyse. Studenten passen een governance-checklist toe voordat ze een AI-gestuurde oplossing implementeren.

Les 4 • Capstone: End-to-end AI-analyseproject

Studenten ontwerpen en leveren een volledig AI-ondersteund analyseproject, van ruwe data tot rapport voor belanghebbenden. Integreert alle kernvaardigheden van het hoofdstuk in één beoordeelde oplevering.