Complete, praktijkgerichte 10-daagse Data Science opleiding op HBO-niveau

Inhoudsopgave
8,9 van 10

Trek de regie naar je toe met onze unieke Data Science training

Deze 10-daagse opleiding Data Science is bedoeld voor iedereen die vanuit een business perspectief succesvol wil zijn met data science en daarnaast zijn of haar carrière op een hoger niveau wil tillen. Er is namelijk een groot tekort aan managers & adviseurs die data science, machine learning en artificial intelligence (AI) integraal kunnen toepassen. Daarbij leg je niet de nadruk op de techniek, maar juist op het bedrijfsmatige, organisatorische en menselijke perspectief. In deze interactieve, praktijkgerichte data science training (HBO+) komen alle facetten aan bod die jou als data science-translator, consultant, adviseur of (project)manager helpen om data science, (generatieve) AI en machine learning met succes toe te passen in jouw organisatie. In 10 intensieve en interactieve dagen stomen we je klaar voor een leidende positie in jouw organisatie. Voor meer informatie download je hier de uitgebreide brochure of neem je hier contact met ons op.

Focus ligt naast de techniek ook op de business-kant

Natuurlijk leer je alle belangrijke technische aspecten in deze opleiding Data Science & AI. Zo kijken we uitgebreid naar geavanceerde technologie zoals machine learning, deep learning, meta learning, reinforcement learning, Large Language Models (LLM’s) en de algoritmes waarmee je AI-modellen kunt bouwen. Ook leggen we de werking uit van Generative Pre-Trained Transformers (GPT), Diffusion Models en Generative Adversarial Networks (GAN’s). Maar onze Data Science opleiding benadrukt vooral de zakelijke en bedrijfsmatige aspecten:

  • Hoe zet je Data Science en AI op de kaart in jouw organisatie? Welke businesscase kun je maken?
  • Hoe ga je een AI-first strategie ontwikkelen en zorgen dat iedereen in je organisatie daaraan meewerkt?
  • Hoe zorg je dat je AI-technologie kan inbedden in de juiste Business Intelligence processen en kaders?
  • Welke algoritmes en methodieken voor patroonherkenning kun je gebruiken?
  • Hoe bouw je een robuuste, toekomstbestendige data-infrastructuur?
  • Welke specifieke toepassingen kun je bedenken voor generatoren zoals ChatGPT, Bard, LaMDA, DALL-E, Midjourney en DreamStudio?
  • Waar moet je op letten bij de implementatie van machine learning (supervised, unsupervised), deep learning en generatieve AI?
  • Welke AI-tools zijn beschikbaar en welke past het beste bij jouw specifieke probleem?
  • Hoe implementeer je succesvol een big data-oplossing en een data lake en wat komt daarbij zoal kijken?
  • Wat is de relatie tussen innovatie, nieuwe business modellen, machine learning en data science en hoe ga je die optimaliseren?
  • Hoe ga je om met interne politiek, draagvlak in de organisatie en acceptatie bij de gebruikers?

Deze complete, praktijkgerichte Data Science training met maar liefst 24 modules en een uitdagende eindopdracht is een absolute aanrader voor iedereen die zich wil bekwamen in data science, artificial intelligence en big data. En zeker aan te bevelen wanneer je daadwerkelijk successen wilt boeken op weg naar een datagedreven organisatie.

Praktische informatie: locatie, duur, data en prijs

Locatie: Amrâth Berghotel Amersfoort
Duur: 10 dagen
Data: 3 oktober t/m 6 december 2024,6 maart t/m 6 juni 2025,14 t/m 25 juli 2025,2 oktober t/m 19 december 2025
Prijs: € 6.500

Zet de juiste stappen met onze Data Science opleiding

Tijdens 10 intensieve dagen word je op een positieve manier ondergedompeld in het vakgebied en klaargestoomd voor een leidende positie in jouw organisatie. Eerdere deelnemers aan deze opleiding bleken bij uitstek geschikt om de juiste stappen te zetten in nieuwe of lopende Data Science-trajecten in hun organisatie.

Overzicht van de 24 modules

Deze complete Data Science opleiding (HBO+ niveau) bestaat uit 24 praktijkgerichte, compacte modules:

Introductie Data Science, AI, BI en trends
KPI’s, analytics & machine learning
Data Science volwassenheid en AI-first
Projectmanagement & governance
Datavisualisatie & data storytelling
Succesfactoren van BI & Data Science
Introductie datawarehousing & big data
Datawarehouse architectuur & data lakes
Het datawarehouse & de ETL-processen
Business Intelligence & Data Analytics
Master Data (MDM) en metadata
Beheer van datawarehouses en data lakes
Data governance & frameworks
Datakwaliteit verbeteren & AI
Continu verbeteren van (big) data
AI, big data science & machine learning
De business case & generatieve AI
Ontwerpen van een AI architectuur
Algoritmes en machine learning technieken
Data science tools & talen
Kennismaken met Python, notebooks en R
Machine learning modellen ontwikkelen
Privacy, ethiek en wetgeving
Vaardigheden en competenties

Er is ruimte voor maximaal 16 deelnemers, zorg daarom dat je tijdig boekt, zodat je verzekerd bent van een plaats.

Dé training voor alle complexe data-uitdagingen en een AI-first organisatie

De datagedreven maatschappij en de bijbehorende algoritmisering is inmiddels een “fact of life”. Diverse nationale en internationale denktanks en wetenschappers zijn het er allemaal over eens dat het juist inzetten van data en algoritmes hét verschil gaat maken tussen krimp of groei. Met de komst van ChatGPT, Bard en Microsoft CoPilot zien we nog meer disruptie op ons afkomen. Elke sector en elk beroep gaat hiermee te maken krijgen. Kortom: onze Data Science opleiding is bedoeld voor organisaties die te maken hebben met complexe data-uitdagingen en substantieel slimmer willen worden.

Je leert data analytics, machine learning en meer…

Boekcover Data Science voor Decision MakersDe intelligentie van een organisatie laat zich niet vangen in louter data analytics en machine learning. Het concept gaat veel verder. In ons praktische model leer je waar en hoe data science, AI, business intelligence, datagedreven werken en de intelligente organisatie elkaar raken en waarom een analytische bedrijfscultuur van groot belang is voor het slagen van data science en artificial intelligence.

Tijdens deze data science opleiding maak je kennis met alle noodzakelijke elementen om Data Science succesvol te koppelen aan het verbeteren van de decision making in jouw organisatie.

Vraag hier de brochure aan

10-daags programma van de Data Science training

Tijdens deze Data Science training kom je in aanraking met alle aspecten van het vakgebied. Je leert datavraagstukken om te zetten in resultaten voor jouw organisatie. Naast de technische aspecten (zoals Internet of Things, supervised en unsupervised machine learning, deep learning, generatieve AI, neurale netwerken, data lakes, et cetera) maak je kennis met alle relevante business-aspecten. Denk dan aan projectmanagement, risico’s, valkuilen, businesscases, KPI’s, governance en datakwaliteit, data governance en privacy- en ethische principes.

DATA SCIENCE DINNER: Introductie van de Data Science opleiding

DATA SCIENCE DINNER: Introductie van de opleidingHet diner op de avond voorafgaand aan de start van deze opleiding is inmiddels uitgegroeid tot een traditie. Het is een onmisbare en aangename opwarmer voor je totale opleidingstraject. Daan van Beek, eindbaas van Passionned Group en auteur van het managementboek ‘De intelligente, datagedreven organisatie’ is jouw gastheer die avond.

Hij geeft je een overzicht van wat je kunt verwachten van deze training. Tussen de verschillende gangen van het dinner is er voldoende ruimte voor interactie, verhalen en discussie over algoritmes en de economische betekenis en de maatschappelijke impact van deze megatrend.

DAG 1: Introductie data science, trends, KPI’s & AI-first strategie

dag 1Je maakt tijdens de eerste dag van deze Data Science opleiding kennis met de kracht van datagedreven organisaties en AI. Je gaat niet alleen KPI’s, big data en machine learning beter begrijpen, maar krijgt ook inzicht in de laatste trends in data science, AI en de voordelen van analytics. Je leert daarnaast welke stappen je moet zetten om een AI-first strategie te implementeren in jouw organisatie.

MODULE 1: Introductie op het vakgebied data science, BI & AI

  • Definities en visievorming: wat verstaan we onder data science, artificial intelligence, machine learning en business intelligence, en hoe verhouden die begrippen zich tot elkaar? Met welke vier essentiële zaken heeft elke organisatie rekening te houden? Op welke wijze ontwikkel je een visie op data science en machine learning? En hoe zorg je in jouw eigen organisatie dat managers en teams datagedreven werken en AI gaan omarmen?
  • Trends in Data Science, AI en machine learning: welke AI & Data Science trends zijn er op dit moment? Je leert meer over big data, data lakes, self-service BI, deep learning, robotica, drones, generatieve AI zoals ChatGPT, zelfrijdende auto’s, fotografie als de nieuwe “universele” taal, cloudoplossingen en blockchain, maar vooral wanneer deze trends in jouw situatie relevant kunnen zijn.

MODULE 2: KPI's, analytics & machine learning

  • Datafication: de overvloed aan data plaatst je voor een groot aantal uitdagingen. In de eerste plaats: wat kan en moet je er mee? Op welke wijze kun je toepassingen voor AI & Big Data bedenken (creatief proces) en implementeren? De docent presenteert een aantal aansprekende voorbeelden. Wat kun je leren van aansprekende cases als:
    • Provincie Zuid-Holland: algoritmes adviseren brugbedieners
    • Social Analytics (KLM): webcare, electronic word of mouth (eWoM)
    • Predictive Policing en de Brandweer A’dam (winnaar Dutch BI & Data Science Award)
  • KPI’s en 1 miljoen euro inzichten bepalen: data science niet linken aan de KPI’s van je organisatie is vergelijkbaar met reizen zonder doel. Je verdwaalt al snel in de bergen big data. Daarom komen hier de vier belangrijkste methodieken voor het vinden van KPI’s aan de orde: strategie-, proces-, markt- en datagedreven. Hoe bepaal je nu de meest essentiële data science-content, hoe stel je de echt onvervalste KPI’s vast en hoe identificeer je de 1 miljoen euro inzichten? Wat is de relatie tussen KPI’s, big data en machine learning. Onder begeleiding van de docent gaan de deelnemers in groepjes met KPI’s aan de slag.

MODULE 3: Data Science volwassenheid en AI-first strategie

  • De business case voor data science: de belangrijkste onderdelen van een business case voor data science komen langs in relatie tot de volwassenheidsniveaus in data science. Je leert een business case te maken (onder andere op basis van KPI’s en 1 miljoen euro inzichten). Hoe zorg je dat je de stakeholders meekrijgt in het traject en betrokken houdt en tegelijk voldoende budget losweekt?
  • Ontwikkel een AI-first strategie: het gros van de organisaties blijft steken in het maken rapporten, dashboards en experimenteert met algoritmes maar vergeet een AI-first strategie te bedenken en implementeren. In dit onderdeel leer je de belangrijkste aspecten van een AI-strategie en ga je onder begeleiding van de docent aan de slag om er een te ontwikkelen voor jouw organisatie.

DAG 2: Projectmanagement, datavisualisatie & data science succes

Deze dag van onze erg goed gewaardeerde Data Science opleiding start met projectmanagement & governance in data science. De resterende ondelen staan volledig in het teken van de gebruikers van algoritmes, dashboards en rapporten. Het complete data science-proces (alle 15 stappen) komt uitgebreid aan bod. Je leert ook hoe je de User eXperience van data kan verbeteren onder andere door effectieve datavisualisatie. Tot slot komen de 12 meest kritieke succesfactoren van data science, AI en BI langs.

MODULE 4: Projectmanagement & governance in data science

  • Business intelligence als fundament: data science zonder solide fundament is gedoemd te mislukken. In dit onderdeel gaat de docent dieper in op het fundament van data science: enterprise business intelligence & analytics.
  • Projectmanagement & governance: projectmanagement van business intelligence & data science. De verschillende vormen komen allemaal langs: van waterval tot agile scrum. Daarnaast gaat de docent in op de 10 belangrijkste projectrisico’s, valkuilen, deliverymodellen voor machine learning en waarom en hoe een BICC (business intelligence competency center) of DataLab op te zetten. Je leert de belangrijkste verschillen kennen tussen een BI en een data science project.

MODULE 5: Processtappen en datavisualisatie

Data science opleiding 15 stappen

  • BI en data science is een proces: je maakt gedetailleerd kennis met de 15 stappen voor verwerking, analyse, distributie van informatie, en vooral het effectief gebruik ervan voor het nemen van betere beslissingen. Daarnaast presenteert de docent waar het data science proces afwijkt van het BI proces.
  • Datavisualisatie & User eXperience (UX): je maakt kennis met de meest krachtige datavisualisatietechnieken, data storytelling en leert hierdoor het gebruiksgemak van informatie te versterken. Je moet tevens rekening houden met de psychologische effecten en cognitieve kaders. Wat komt er bij effectieve big data-visualisatie kijken en met welke factoren moet je specifiek rekening houden? Inclusief een bespreking van de onthullende BBC-documentaire: ‘How to make better decisions’. In groepjes ga je oefenen met het vormgeven van verschillende effectieve datavisualisaties.

MODULE 6: Succesfactoren van BI & Data Science

  • Succes bereiken met BI & Data Science: wat zijn de 12 meest kritieke succesfactoren om echt rendement te behalen op BI & Data Science en waar moet je dan op letten en sturen? Je leert ook waarom je allround vision, analytics, agile werken en continu verbeteren nauw met elkaar moet verweven.

DAG 3: Datawarehouse, Data Lakes, Big Data & Architectuur

dag 3Dag 3 van deze Data Science training is volledig gewijd aan het tot stand brengen van een solide data-infrastructuur en ETL-processen voor zowel een noodzakelijke datawarehouse omgeving als toekomstvaste big data opslagmethodieken. Een implementatie van een solide datawarehouse en een schoon data lake kan een Data Science-traject maken of breken, waar moet je allemaal op letten?

MODULE 7: Introductie datawarehousing & big data

Hoe kom je tot een schaalbare centrale datahub die gaat zorgen voor integratie van data, betrouwbare gegevens en één versie van de waarheid. Welke andere doelen kun je realiseren met een datawarehouse en een data lake? Gegevens uit een diversiteit aan databronnen (je bedrijfsprocessen) en externe data ga je opschonen en koppelen zodat de eindgebruiker deze eenvoudig met elkaar in verband kan brengen. Steeds belangrijker wordt het om deze te combineren met alle aanwezige ‘niet gestructureerde’ data, waar een organisatie ook over beschikt.

  • Kennis als eindpunt: welke transformatieslagen moet je toepassen om (big) data via informatie op te waarderen tot actiegerichte kennis? Wat is verder het belang van een adequate informatiehuishouding?
  • Doelen DWH: wat zijn de belangrijkste doelen van een datawarehouse zoals historie-opbouw en performanceverbetering? En op welke wijze gaat een datawarehouse bijdragen aan een hogere datakwaliteit, grotere herkenbaarheid en betere vindbaarheid van informatie? En kan dit als basis dienen voor het ontsluiten en combineren van alle gestructureerde en ongestructureerde data?
  • De vijf kenmerken van big data: deze wordt gekenmerkt door 5 V’s maar wat betekent dat voor je eigen project? En voor de in te zetten algoritmes, de oplossingen en de benodigde kennis en vaardigheden van je mensen als het gaat om dataopslag?
  • Data lakes, virtualisatie en cloud: voor datawarehousing zijn tegenwoordig diverse alternatieven voorhanden. Je maakt kennis met datawarehouseappliances, in-memory BI, datalakes, datavirtualisatie en cloud oplossingen. Welke zijn zinvol en haalbaar in jouw situatie? Welke ervaringen heb je zelf en wat kunnen anderen daarvan leren?

MODULE 8: Datawarehouse architectuur & data lakes

Het werken met een datawarehouse-architectuur is van groot belang voor agile BI en zeker ook bij het gebruik van AI. Welke gereedschappen en vaardigheden heb je dan nodig? Hoe laat je die aansluiten op de algehele IT- en bedrijfsarchitectuur? Je leert waarom onderlinge samenhang de sleutel vormt tot succes.

  • Architectuur van het DWH: wat is het belang van een goede datawarehouse-architectuur? Hoe past een DWH binnen de enterprise architectuur van jouw organisatie?
  • Datamodellering: welke vormen van datamodellering kun je onderkennen? Denk dan aan Inmon, Kimball en Linstedt (DataVault). Wat zijn de overeenkomsten en wat zijn de voornaamste verschillen? De docent gaat zeker in op de voor- en nadelen van de verschillende beschikbare methodieken: wanneer kun je het beste kiezen voor één methodiek en wanneer voor een mix?
  • Big data en data lakes: sommige data is veel te groot of te ongestructureerd dat het niet meer past in een traditioneel datawarehouse. Hoe kun je hier vanuit een architectuuroogpunt het beste mee omgaan? Helpt cloud daarbij en wat zijn de specifieke eisen als je AI en big data gaat gebruiken in je organisatie?
  • Sensorische data: wanneer pas je sensoren toe om data te verzamelen en waar plaats je die vervolgens? Hoe zorg je dat die zo min mogelijk kosten en overlast veroorzaken?
  • Overzicht tooling: hoe kan je een juiste keuze maken voor specifieke datamodellering tools, opslagplatforms en databasesoftware? Welke criteria zijn van groot belang?

MODULE 9: Het datawarehouse & de ETL-processen

Het vullen van een datawarehouse vindt procesmatig plaats in drie stappen: extractie, transformatie en laden (ETL). Dit kan via de krachtige analytische taal SQL of met behulp van ETL software en/of datawarehouse automation tools. Die laatste vormen een onmisbare component in een volwassen datawarehouse-architectuur.

  • Toepassen van de datatechnieken: welke datatechnieken zijn het meest geschikt in welke stap van het ETL-proces? Machine learning modellen maken binnen dit proces een grote opmars, door veel meer geautomatiseerd het proces te ondersteunen en de datakwaliteit te verhogen. Hoe kan AI je bij dit proces ondersteunen en op welke wijze kunnen de processtappen vorm krijgen en wat komt daarbij dan kijken?
  • Pseudonimiseren en anonimiseren: hoe kun je er voor zorgen dat je binnen de kaders van de privacywetgeving toch data kunt verwerken, analyseren en gebruiken voor het ontwikkelen van algoritmes? De docent presenteert de drie belangrijkste methoden die daarbij een rol spelen: pseudonimiseren, anonimiseren en aggregeren. Ook het genereren van synthetische data wordt besproken.
  • ETL & datawarehouse automation tools: welke data integratie-tools en datawarehouse automation tools zijn beschikbaar op de markt? Kies je voor één leverancier of best-of-breed? Je maakt kennis met onze 100% onafhankelijke ETL & Data Integratie Guide 2024.
  • Methodieken voor het verbeteren van de datakwaliteit: de docent geeft je een overzicht van de belangrijkste methodieken en tools voor de verbetering van de datakwaliteit. Moet je slechte data wel laden in het DWH? Of is dat juist erg onverstandig? Wat is data profiling en hoe kunnen algoritmes en AI je daarbij helpen?
  • ELT of ETL?: er wordt door leveranciers ook gesproken over ELT, wat is het verschil met ETL? Welke impact hebben steeds grotere decentrale gegevensverzamelingen (onder andere open data, big data en datalakes) binnen en buiten de organisatie op je Data Science project? Hoe ontsluit je die en wat zijn de beste keuzes die je kan maken in deze hybride omgeving?

DAG 4: Analytics, Master Data Management, metadata & beheer

De vierde dag van onze opleiding Data Science staat in het teken van: datawarehousegebruik in lijn met de hogere doelen van BI Analytics, de Business Intelligence tools en het beheer van een DWH, masterdata, meta data en open data. Big data en vooral AI neemt hier een steeds grotere plaats in.

MODULE 10: Business Intelligence & Data Analytics

Eindgebruikers verwachten van een datawarehouse kwalitatief uitstekende gegevens die relevant zijn. Zij gebruiken Business Intelligence software om datasets op te vragen, betekenis te geven, er over te rapporteren en de datasets te analyseren.

  • Business Intelligence software: welke Business Intelligence software is beschikbaar op de markt en hoe sluit die aan op jouw datawarehouse, datalake of AI toepassing? Je maakt kennis met onze 100% leveranciersonafhankelijke BI-gids.
  • De laatste trends: wat zijn de laatste trends in Business Analytics en Data Science met het oog op Big Data en AI (bijvoorbeeld image processing of textmining)? Wat is de betekenis van open source in deze arena?
  • Het gebruik: directe toegang tot het datawarehouse kan aan te raden zijn en is soms gewoon noodzakelijk, maar wanneer maak je er juist wel en wanneer juist niet gebruik van? Niet alle gebruikers weten wat ze doen. De docent geeft je een overzicht van verschillende typen gebruikers. Welke functionele behoeften hebben zij en op welke wijze kun je hierop goed inspelen? Welke rol speelt self-service BI hierbij?

MODULE 11: Master Data Management (MDM) en metadata

Naast schone data is een goede structuur voor masterdata en metadata uitermate belangrijk voor verdere groei in data science. Cruciale gegevensgroepen zoals klanten, producten, locaties en medewerkers moet je goed kunnen onderhouden. Inzicht in de ontstaansgeschiedenis en bijbehorende bedrijfsregels zijn daarbij essentieel. De groei aan data is exponentieel en AI wordt steeds belangrijker binnen dit domein.

  • Definities en masterprocessen: wat is eigenlijk de betekenis van masterdata en metadata? Hoe gaat het je helpen bij het produceren en consumeren van kwalitatief goede en betrouwbare informatie (één versie van de waarheid)? Welke processen spelen daarbij een rol en hoe kun je ChatGPT inzetten voor het identificeren, classificeren en beheren van metadata?
  • Slimme leerlussen: is master- en metadatamanagement puur analytisch of kan en moet het ook impact hebben op operationele systemen? Je maakt kennis met de verschillende volwassenheidsniveaus van metadata en je leert een slimme leerlus in te richten met een enterprise portal en mobiele toegang.

MODULE 12: Datawarehouses en data lakes beheren & succes behalen

Datawarehouses en data lakes moet je natuurlijk onderhouden en beheren. Je maakt tijdens dit onderdeel van de Data Science opleiding kennis met de belangrijkste technische en functionele beheerprocessen, beheerpatronen en competenties. Met de komst van AI toepassingen binnen dit domein zijn er nieuwe competenties nodig.

  • Beheerprocessen: welke technische en functionele beheerprocessen kun je onderscheiden bij datawarehousing en data lakes? Welke tools kun je hiervoor gebruiken?
  • Business & IT: welke rol speelt het BICC in deze processen en wat is de zin (of onzin) ervan? Welke rol speelt de business en welke rol speelt IT?
  • Projectaanpak: wat is een geschikte projectaanpak met het oog op de succes- en risicofactoren? Wat maakt het gebruik van algoritmes de aanpak anders? Wat zijn eigenlijk de belangrijkste succesfactoren voor een goed functionerend datawarehouse en data lake?
  • Support en onderhoud: hoe ontwikkel je een datawarehouse en data lake met support en onderhoud in gedachten? AI vraagt een andere manier van support en onderhoud. De vraag is hoe richt je dat succesvol in?
  • Competenties en vaardigheden: in hoeverre wijkt DWH-onderhoud af van “traditioneel” onderhoud? Welke competenties en vaardigheden zijn nodig voor succesvol beheer van je data lake en datawarehouse? Zeker ook gezien in het licht van de trend dat algoritmes in dit domein steeds belangrijker worden.

DAG 5: Data governance, datakwaliteit en continu verbeteren
dag 5

Data governance is onmisbaar voor organisaties die datagedreven willen werken. De totale levenscyclus van data – van ontstaan tot verwijdering – moet je dan als leerproces en feedbackloop gaan implementeren en borgen. Tijdens dag 5 van onze opleiding Data Science leer je hoe je een robuuste Data Governance-structuur opzet en wat daar zoal bij komt kijken.

MODULE 13: Data Governance & Management

De waarde van Data Governance: hoe kan jouw organisatie waarde ontlenen aan data governance en er voordeel mee behalen? Moet het totaal anders ingericht worden als je met big data en AI aan de slag gaat?

  • Het Data Governance framework: de docent gaat in op alle aspecten van data governance met het DAMA-DMBOK 2 framework als leidraad. Denk hierbij aan de verschillende rollen zoals data stewards en data custodians, maar ook aan de integriteit van de data, datakwaliteit en het toegankelijk maken van (big) data, meta- en masterdata. Je leert een Data Governance framework te gebruiken voor je eigen organisatie. Waar moet je in dit framework vooral op letten als AI een belangrijke pijler wordt van de bedrijfsvoering van je organisatie?
  • Van governance naar dataperfectie: je maakt kennis met de ideale route om tot dataperfectie te komen. Natuurlijk gebaseerd op een gedegen kostenbatenanalyse. Welke stappen dien je dan te zetten, wie moet je betrekken en hoe til je jouw eigen organisatie naar een hoger volwassenheidsniveau van datamanagement? Welke mogelijkheden biedt AI daarin?

MODULE 14: Datakwaliteit profilen, monitoren en verbeteren

Niemand zal het belang van goede datakwaliteit (openlijk) bagatelliseren, maar hoe start je hiermee en wat komt erbij kijken ook als het gaat om oplossingen en succes behalen? Je maakt tijdens dit onderdeel van de Data Science-opleiding kennis met alle thema’s om als doel om de datakwaliteit op een hoger plan te brengen.

  • Datakwaliteit: data kan niet half juist zijn, data is goed óf fout. Hoe maak je je data goed en beter?
  • Sleutelbegrippen: wat zijn de sleutelbegrippen rondom datakwaliteit? Denk hierbij aan compleetheid, juistheid, integriteit, maar ook aan metadata, gekoppelde data, geaggregeerde data, big data, et cetera. Welke zaken moet je juist in jouw situatie in de gaten houden?
  • Ongestructureerde data: je leert hoe je de datakwaliteit van ongestructureerde (sensor) data kan verbeteren en welke succesverhalen er zijn. Wat kun je er van leren? Hoe zorg je er voor dat de kwaliteit goed is en dat AI toepassingen hier succesvol gebruik van kunnen maken?
  • Oplossingen voor datakwaliteit: welke oplossingen zijn er op de markt beschikbaar om de datakwaliteit te monitoren, te analyseren en de data op te schonen, te markeren of af te wijzen? Zijn datakwaliteitssystemen met artificial intelligence hierin de gouden graal of zorgen ze juist voor meer problemen dan dat ze oplossen?
  • Succesfactoren: welke valkuilen en succesfactoren spelen daarbij een rol? Wat zijn je eigen ervaringen en wat valt daaruit te leren?

MODULE 15: Continu verbeteren van (big) data

Het gestructureerde proces om te komen tot een structureel hogere datakwaliteit in jouw organisatie krijgt tijdens dit onderdeel van de Data Science-training vorm. Je leert hoe je een continu verbeterproces op kan zetten rondom datakwaliteit. Wat zijn de best practices om dataresultaten te borgen zodat je niet steeds weer met dezelfde slechte data zit opgescheept? Kan je met de komst van AI in dit traject van continu data verbeteren het proces volledig overnemen en weghalen bij de organisatie?

  • Verbetercirkels: de docent geeft je praktisch inzicht in de manier waarop je de datakwaliteit kunt verbeteren onder andere door de verbetercirkel PDCA van dr. William Edwards Deming.
  • Bewustwording en cultuur: hoe zorg je voor bewustwording bij het management? Hoe neem je medewerkers mee? Hoe wijs je ze op het belang van de kwaliteit van gegevens en wat kan dit hen opleveren? Welke culturele aspecten spelen een rol en welke vaardigheden zijn noodzakelijk? Welke cultuur is nodig als je hier algoritmes bij inzet?
  • Gedrag en draagvlak: hoe moet je omgaan met bepaald gedrag van medewerkers en hoe kun je zorgen voor groot draagvlak?
  • Borgen van verbeteringen: je leert hoe je de PDCA-cirkel elke keer weer (dagelijks, wekelijks) doorloopt en rondmaakt en de resultaten kunt borgen.

DAG 6: Het ontwikkelen van AI, machine learning & AI-architectuur

Tijdens de 6e dag van deze opleiding Data Science kom je in aanraking met analytische en voorspellende modellen die de basis vormen voor (generatieve) AI en machine learning en bijbehorende architectuur.

MODULE 16: AI, big data, data science & machine learning

Tijdens deze module leer je precies wat AI & Data Science inhoudt en uit welke onderdelen dit bestaat. Tevens maak je kennis met de twee belangrijkste onderdelen: machine learning en statistiek.

  • Verdiepingskader AI en begrippen: wat is AI en hoe verhoudt zich dit tot andere veelgebruikte begrippen als big data, predictive analytics, data science, tekst mining, generatieve AI en data mining? Wat is machine learning en welke rol vervult dit concept in het data science proces? Hoe verhoudt Artificial Intelligence zich tot Business Intelligence?
  • Data science proces: waar houdt een data scientist zich mee bezig en uit welke stappen bestaat het data science proces? Welke rol speelt machine learning hierin en hoe kun je de stappen implementeren in jouw organisatie?
  • Statistische kennis: de juiste statistiek toepassen is cruciaal. Welke statistische kennis heb je nodig in jouw data science project?

MODULE 17: De business case voor AI & data science

Er is heel veel geld gemoeid met AI gerelateerde initiatieven. De totale wereldwijde markt voor big data analytics (AI) wordt door Statista geschat op meer dan 650 miljard dollar in 2029. Maar ook de opbrengsten kunnen gigantisch zijn, zoals blijkt uit het succes van bijvoorbeeld House of Cards (Netflix) en Lemonade Insurance. De docent presenteert ook vele andere best practices waar je van kunt leren.

  • Integraal denken & business case: welke relatie moet je leggen tussen algoritmes, big data, innovatie en procesverbetering? Wat zijn de belangrijkste onderdelen uit de big data business case? Hoe moet je omgaan met experimenten en proeftuinen die buiten je gezichtsveld of verantwoordelijkheid plaatsvinden?
  • Overtuigen van het management: op welke wijze neem je het management bij de hand en overtuig je ze van het nut en de noodzaak van AI & Data Science? Wat voor leiderschap heb je daarvoor nodig in jouw organisatie?
  • Stappen en valkuilen: welke stappen moet je zetten in je big data-project en welke valkuilen en risico’s kun je onderkennen bij het implementeren van algoritmes?

MODULE 18: AI architectuur

Hoe verhoudt een AI architectuur zich tot de klassieke BI en DWH architectuur? Hoe laat je de AI tools aansluiten op je bestaande architectuur en infrastructuur. Onderwerpen die aan de orde komen zijn:

  • Data science technologie: Wat zijn de belangrijkste tools die gebruikt worden en welke impact hebben die op je (staande) architectuur? Hoe ga je om met de meest voorkomende dilemma’s op dit vlak die je tijdens de AI-transitie gaat tegenkomen?
  • Data science referentie architectuur: de docent presenteert een data science referentie architectuur en neemt je mee in de meest cruciale principes die daarin naar voren komen.
  • Nieuwe ontwikkelingen: denk aan (hybrid) cloud, Docker containers, automated machine learning, sensoren, gespecialiseerde hardware (zoals GPU’s), SPARK, Hadoop, GPT, GAN’s en REST API’s.

DAG 7: Machine learning algoritmes: theorie en praktijk

dag 7Tijdens de 7e dag van deze opleiding Data Science kom je in aanraking met de theorie, de technieken en de praktijk. Je gaat onder begeleiding van de trainer in een workshop zelf aan de slag met Python.

MODULE 19: De algoritmes en machine learning technieken

Als eerste gaat de docent dieper in op de verschillende hoofdgroepen van algoritmes. Hij presenteert de toepassing, werking en de voor- en nadelen. Onderwerpen die aan de orde komen zijn:

  • Betekenis en gebruik van algoritmes: wat is een algoritme en aanverwante terminologie? Hoe worden algoritmes gebruikt door data scientists?
  • Supervised, unsupervised learning en reinforcement learning: tijdens dit onderdeel ga je leren wat supervised learning, unsupervised learning en reinforcement learning is en in welke situatie je deze manieren van leren kan toepassen. De docent geeft je inzicht in de verschillende typen algoritmes zoals classificatie, regressie, clusteren, beslisbomen en neurale netwerken.
  • Wat is deep learning: je gaat hier inzicht verkrijgen in hoe algoritmes deep learning kunnen toepassen en wat daarbij komt kijken. Bij dit onderdeel geeft de docent je uitleg aan de hand van het machine learning platform TensorFlow.
  • Validatie van algoritmes: hoe meet je de performance van een gebruikt algoritme en hoe voorkom je de belangrijkste valkuilen zoals overfitting en underfitting?

MODULE 20: Data science tools

In deze module ga je aan de slag met diverse data science tools die in de praktijk door data scientists gebruikt worden. De docent begint met een overview van de tools die veel gebruikt worden:

  • Open source tools voor data science: wat is het en waarom zijn de meeste data science tools open source? Hier krijg je een overzicht van veel gebruikte (open source) tools zoals bijvoorbeeld Python, R, SCALA, scikit-learn, Pandas en NumPy.
  • Commerciële data science tools: welke commerciële data science tools worden veel gebruikt en waar passen zij in het data science proces? Een aantal commerciële data science tools zoals Rapidminer, SAS, Dataiku en IBM Cloud Pak for Data passeren de revu.

MODULE 21: Data science tools in de praktijk, maak kennis met Python

In deze workshop ga je kennismaken met veelgebruikte programmeertalen als Python, maar ook de verschillende ‘interfaces’ waarmee data scientists werken. Tijdens de workshops zal de nadruk liggen op het werken met de taal Python omdat dit de meest gebruikte taal door data scientists is. Maar je gaat ook kennismaken met de taal R.

  • Introductie: hoe moet je Python en R positioneren, waar komen deze talen vandaan en hoe ga je ze gebruiken? Hoe ga je interfacen met de cloud of andere platformen, of ga je een standalone tool gebruiken? Welke zijn er zoal?
  • Notebooks: wat is een notebook en hoe werken deze?
  • Python basics: wat zijn de basiselementen om te kunnen werken met Python? Denk bijvoorbeeld aan het gebruik van variabelen, lists, functies en help. Packages zijn soort ‘plug-ins’ die je in Python (of R) kunt laden. Wat zijn veelgebruikte packages en hoe laad je deze in Python?

DAG 8: Data Science in de praktijk

Tijdens dag 8 van deze opleiding data science gaat de docent verder waar hij de vorige dag was gebleven. In een aantal workshops ga je aan de slag met machine learning en tekst mining en leer je zelf modellen te ontwikkelen, te trainen, te testen en te valideren.

MODULE 22: Workshop machine learning modellen ontwikkelen

Aan de hand van diverse datasets ga je alle stappen van het data science proces doorlopen. Dat ga je doen met Python, R en een visuele modelleeromgeving. Elke gedeelte zal uit de volgende stappen bestaan:

  • Importeren van data
  • Exploratory Data Analysis (EDA)
  • Data wrangling: opschonen en bewerken van de data
  • Splitsen van de data set in trainings- en test dataset
  • Machine learning model trainen middels meerdere algoritmes
  • Validatie machine learning model: hoe goed presteert het machine learning model?
  • Visualisatie: hoe visualiseert een data scientist de data?

Daarnaast ga je een workshop doen met text analytics waarbij je een sentimentanalyse gaat doen op basis van Twitter data.

DAG 9: Ethiek, privacy, vaardigheden en competenties

dag 9Tijdens deze 9e opleidingsdag van de training Data Science gaan we in op de belangrijkste ethische principes en privacywetgeving. Tevens ga je leren welke vaardigheden en competenties nodig zijn om van data science een succes te maken.

MODULE 23: Privacy, ethiek en juridische kaders voor data science

Data Science praktiseren zonder in te gaan op privacy en ethiek is tegenwoordig uitgesloten. De grote hoeveelheid te koppelen data stelt je voor een belangrijk vraagstuk: hoe om te gaan met privacy en AI-ethiek?

  • Kaders en frameworks: welke (juridische) kaders en frameworks zijn er op dit moment beschikbaar om ethisch te toetsen of je dataplannen wel door de beugel kunnen?
  • Wet- en regelgeving: wat zegt de relevante wet- en regelgeving over het gebruik van identiteitsgebonden data? Wat kun je doen om in te spelen op de publieke opinie en hoe voorkom je imagoschade?
  • Technieken en privacyoplossingen: welke technieken en oplossingen zijn voorhanden om persoonsdata toch te gebruiken en te analyseren en tegelijk de privacy te respecteren? Denk dan onder andere aan data masking in combinatie met data-aggregatie of toestemming vragen aan de desbetreffende personen.

MODULE 24: Vaardigheden en competenties bij data science en AI

Data Science is hard op weg om een zeer professioneel vakgebied te worden. In hoog tempo komt nieuwe kennis en technologie beschikbaar. Hoe houd je daar grip op? En hoe breng je jouw BI of data science team op een hoger plan? Statistiek, data blending, analytics en datavisualisatie behoren tot de kerncompetenties van een goede data scientist, maar ook ervaring met het ontwikkelen van machine learning modellen en programmeren is bijna altijd gewenst. En tegenwoording moet je als data scientist ook het nodige afweten van prompt engineering voor ChatGPT/Bard. Daarnaast behoren goede communicatieve en consultancy-vaardigheden, kennis van Business Intelligence & KPI’s, privacy en data governance tot de standaardbagage van een professionele data scientist.

  • Drie basisvaardigheden: welke drie basisvaardigheden heeft een data scientist zelf absoluut nodig en hoe ontwikkelt hij of zij die bij de teamleden? Hoe om te gaan met het tekort aan data scientists en data analisten?
  • Data Science team: de belangrijkste Data Science-vaardigheden – soft & hard skills – passeren de revue. Hoe bouw je een Data Science-team dat jouw organisatie klaarstoomt voor een nieuwe fase van ontwikkeling? Welke rollen en competenties kun je dan daarbij onderkennen?

DAG 10: Afsluitende opdracht en certificering

Gedurende de opleiding werk je in groepjes aan een uitdagende opdracht om te toetsen of je het geleerde in de praktijk kunt brengen. De opdracht lever je een week voor de laatste dag van deze data science opleiding in en presenteer je op deze dag. We bespreken de resultaten van de verschillende opdrachten integraal met elkaar door.

Streven naar dataperfectie versus gebruikersacceptatie

Data science bij politieHet voorbeeld van de Politie Amsterdam-Amstelland maakt duidelijk dat Data Science niet stopt bij de techniek. De eerste Data Science toepassingen bij de politie waren spraakmakend. De software stippelde voor de agenten dagelijks een route uit waar de kans het grootst was om een crimineel aan te treffen. Hoewel de agenten erg enthousiast leken over de oplossing, accepteerden ze deze aanvankelijk niet. Zij reden gewoon hun gebruikelijke eigen route door de stad zoals ze dat altijd gewend waren. Kortom: algoritmes ontwikkelen zonder rekening te houden met acceptatie door de eindgebruiker is vergelijkbaar met een superprofessionele mountainbike kopen maar er nooit op rijden. Inmiddels laten de agenten zich graag adviseren door het algoritme en is deze vorm van predictive policing met succes wereldwijd uitgerold.

Aanvullende informatie van deze training Data Science

De prijs van deze opleiding is inclusief het Data Science Dinner, lunchbuffet in het restaurant van het Berghotel Amersfoort, onbeperkt thee en koffie, overige drankjes en hapjes tijdens de breaks. Je ontvangt ook gratis een exemplaar van de boeken ‘De intelligente, datagedreven organisatie’ en ‘Datacratisch werken: kom in de verbetermodus met een datagedreven PDCA’ van Daan van Beek.

HBO+ niveau
vrijgesteld van BTW
Studiebelasting: max. 15-20 uur
interactief & praktijkgericht
gewaarmerkt digitaal certificaat
van 9:00 tot 17:00

Gedurende deze opleiding werk je aan een eindopdracht waar je het geleerde toepast op jouw eigen (klant)organisatie. De meeste deelnemers kunnen daarom binnen werktijd aan de opdracht werken. In alle andere gevallen houd je rekening met maximaal 15-20 uur studiebelasting.

Word professional in Data Science

Interactieve Data Science opleiding & AI

De opleidingen van de Passionned Academy worden zeer gewaardeerd, onder andere vanwege de grote mate van interactiviteit en deskundigheid van de docenten. Iedere opleidingsdag is er voldoende gelegenheid om eigen cases in te brengen en ervaringen met andere deelnemers uit te wisselen. Gedurende deze Data Science opleiding werk je aan een concrete opdracht, waardoor een ideale mix ontstaat tussen theorie en praktijk.

Na afronding van onze unieke Data Science opleiding ontvang je een digitale badge voor LinkedIn, een certificaat van de Passionned Academy en een door de auteur gesigneerd exemplaar van de boeken De intelligente, datagedreven organisatie’ en ‘Datacratisch werken’.

Doelgroep voor deze Data Science training

Deze Data Science training is opgezet voor iedereen die een datagedreven organisatie wil realiseren en tegelijk de intelligentie wil verhogen van zijn of haar bedrijf met behulp van algoritmes. Onze opleiding is vooral gericht op (aankomend) Data Science managers, Business Intelligence managers, Chief Information Officers, business managers, programmamanagers, Chief Data Officers, controllers, business analisten, BI-consultants, informatiemanagers, Data Scientists, adviseurs en data analisten.

Behaalde leerdoelen aan het eind van deze Data Science opleiding

We stomen je klaar om data science met succes toe te passen in allerlei situaties en functiegebieden. Onze docenten helpen je (persoonlijk) met het behalen van de volgende leerdoelen:

  • Je weet hoe je de techniek van BI & AI kunt vertalen naar de business en vice versa
  • Je realiseert je dat het businessperspectief van data science kritiek is voor succes
  • Je hebt scherp op je netvlies staan hoe data science kan bijdragen aan innovatie
  • Je hebt een veel beter begrip van KPI’s, big data en machine learning
  • Je begrijpt Generatieve AI tot in detail en je ziet alle mogelijkheden
  • Je kunt een sluitende business case opstellen voor AI en data science
  • Je weet hoe je een AI-first strategie kunt implementeren en je ziet de risico’s scherp
  • Je beheerst de basistechnieken voor datavisualisatie en storytelling
  • Je weet hoe je masterdata, metadata en open data kunt toepassen en beheren
  • Je beschikt over de noodzakelijke statistische kennis en kunt deze juist toepassen
  • Je hebt geleerd hoe je een robuuste Data Governance-structuur opzet
  • Je weet hoe je een machine learning model kunt trainen, testen en valideren
  • Je hebt gewerkt met Python en kennisgemaakt met R
  • Je herkent de belangrijkste valkuilen rondom privacy en data-ethiek
  • De groepsopdracht geeft je genoeg bagage om data science van a tot z te regisseren

Meld je nu aan voor onze Data Science training

Via ons inschrijfformulier kun je jezelf direct inschrijven voor de eerstkomende training Data Science. Maar er zijn natuurlijk ook andere opties beschikbaar. Wil je deze Data Science training liever incompany organiseren, of heb je nog vragen, neem dan gerust contact met ons op.

De trainers: Jack Esselink, Dick Pouw en Daan van Beek

Onze Data Science opleiding wordt gegeven door Jack Esselink, Dick Pouw MBA en Daan van Beek MSc. Deze heren hebben tezamen meer dan 70 jaar ervaring in het vak en geven les op diverse universiteiten, waaronder TIAS, School for Business & Society. Tevens geven ze masterclasses in binnen- en buitenland.

direct inschrijven

Veelgestelde vragen

Wie is de gebruikelijke doelgroep van deze Data Science training?

De training is bedoeld voor professionals zoals data science translators, consultants, adviseurs en managers die data science en AI effectief willen kunnen toepassen in hun organisaties.

Hoe lang duurt de Data Science training en waar wordt deze gegeven?

De training beslaat 10 dagen en wordt gehouden in Berghotel Amersfoort in het midden van het land. Uit het hotel stap je zo de bossen in voor een wandeling of moutainbike tocht.

Wat zijn de kwalificaties of vereisten om aan deze cursus deel te nemen?

De training is op HBO-niveau en richt zich primair op managers en professionals met een bedrijfskundig perspectief op data science en AI. Natuurlijk kun je met een meer technische insteek de cursus ook goed volgen. Er is geen vooropleiding vereist maar wel werkervaring.

Biedt de opleiding certificeringen of punten voor professionele ontwikkeling?

Ja, deelnemers ontvangen voor deze Data Science opleiding 50 PA-punten. Informeer daarnaast naar de punten voor je Permanente Educatie (PE) bij beroepsverenigingen. PA staat voor Passionned Academy.

Is het nodig om een computer mee te nemen naar de Data Science trainingen?

Deelnemers wordt aangeraden een laptop mee te nemen naar de training. Deze is handig voor hands-on oefeningen en het volgen van het cursusmateriaal. Maar ook als je geen laptop meeneemt kun je de volledige opleiding prima volgen.

Is deze Data Science opleiding ook geschikt voor beginners?

De opleiding is bedoeld voor leidinggevenden en professionals die interesse hebben om diepgaande (praktisch toepasbare) kennis op te doen over Data Science, machine learning en AI en die hun kennis en vaardigheden willen uitbreiden. Of je nu start met Data Science of al ervaring hebt opgedaan, dat maakt niet uit. De opleiding is zowel geschikt voor beginners als verdiepers.

Krijg ik huiswerk mee of moet ik opdrachten uitvoeren tijdens de opleiding?

Opdrachten en praktische oefeningen vormen een belangrijke component van deze praktijkgerichte opleiding. Zo zorgen we dat deelnemers de theorie kunnen toepassen op hun eigen werksituatie. De eindopdracht kost waarschijnlijk het meeste tijd: maak een veranderplan voor jouw organisatie om Data Science op de kaart te zetten of om naar een hoger volwassenheidsniveau te groeien.

Zijn er netwerkmogelijkheden tijdens de training?

Onze trainingen bieden zeker mogelijkheden om te netwerken met collega's en professionals uit het vakgebied. Een flink deel van de waarde van deze Data Science training is dat je veel interactie kunt hebben en ervaring kunt uitwisselen met andere deelnemers uit andere sectoren of beroepsgroepen.

Is er ondersteuning na de training beschikbaar?

Onze trainers zijn beschikbaar voor begeleiding en advies indien nodig. Ook kun je bij ons terecht voor de inhuur van data scientists, data engineers of een interim data science manager.

Welke praktische projecten of casestudy's zijn inbegrepen in de training?

Gedurende deze opleiding kom je in aanraking met tientallen casestudies uit verschillende sectoren in het binnen- en buitenland. Denk bijvoorbeeld aan de Brandweer Amsterdam, PON, Netflix, Veiligheidsregio Noord-Holland-Noord, Coolblue en Fietsenwinkel.

Kan ik mijn deelname annuleren als ik de cursus niet kan bijwonen?

Tot 30 dagen voor aanvang is annulering kosteloos maar daarna wordt een deel van of het totale inschrijfgeld doorbelast. Bekijk hier onze voorwaarden.

Hoe wordt de cursus up-to-date gehouden met de nieuwste ontwikkelingen in data science?

Elk jaar wordt het cursusmateriaal geactualiseerd.

Wat is de balans tussen theoretisch en praktisch leren in de cursus?

Er is een goede balans tussen theorie, groepsdiscussie en praktijkopdrachten. Bij elke module krijgen de deelnemers een praktijkopdracht.

Hoe komt de cursus tegemoet aan verschillende leerstijlen?

De docenten hebben langjarige ervaring (10+ jaar) met lesgeven, het begeleiden van groepen en coaching. Ze kennen het klappen van de zweep en je mag verwachten dat er wordt ingespeeld op individuele leerstijlen.

Reviews over Data Science opleiding

Jeroen van der Hagen | Gemeente Rotterdam: Ik heb de opleiding in zijn geheel als zeer waardevol ervaren. De opleiding is erg breed, waardoor je alle facetten rondom data science mee krijgt. Tijdens de sessies is er veel ruimte voor discussie, waardoor al je vragen op het gebied van data science aan bod kunnen komen. De docenten zijn stuk voor stuk vakmensen, met een enorme bak aan kennis en ervaring.

Januar Himantono | Pentair Water Process Technology: Vind het heel leuk om deze opleiding gevolgd te hebben. Enerzijds bevestiging gekregen over wat ik al heb gedaan en anderzijds ook bredere kennis over het vakgebied data science opgedaan.

Jan-Bart Smulders | PostNL: Deze opleiding geeft een serieuze verdieping in een groot aantal BI en Data onderwerpen die mij goed helpen in de aansturing van mijn team en in bewustwording creëren bij mijn stakeholders in de organisatie. Het is een juiste afwisseling van theorie, eigen cases uitwerken en oefenen. Dit helpt enorm in het me kunnen verplaatsen in de verschillende data rollen die er zijn, van beslisser tot IT architect en van Data Scientist tot Data Manager.

Iris van Meegdenburg | Provincie Zuid-Holland: Praktische voorbeelden, interactieve lessen en verschillende inzichten van leraren zorgen ervoor dat complexe stof op begrijpelijke wijze wordt gepresenteerd. Tijdens de les passen we de informatie gelijk toe op onze eigen organisaties en horen we hoe organisaties van medestudenten zijn ingericht; dit zorgt voor veel nieuwe inzichten. Zeker een aanrader!

Susanne van der Meer - Alkemade | LUMC: Een integrale benadering van het vakgebied met voldoende diepgang om de wereld van datascience beter te begrijpen.

Nicole Borkens | Gemeente Rotterdam: Na deze opleiding heb je een compleet overzicht van het vakgebied ‘data science’. Soms flink de diepte in, maar veel praktische handreikingen voor je eigen organisatie. De interactie met medecursisten is super!

Nt2 Mundium College: Het is een mooie afwisseling tussen theorie en praktijk. De gesprekken met de mede cursisten over de opdrachten zorgen voor meer inzicht in de eigen situatie. Een mooi overzicht van nagenoeg het hele domein van Data Science, met voldoende koppeling aan de praktijk. Drie domeinexperts, die elk op hun eigen wijze bevlogen over hun onderwerp presenteren.

Geert van Zon | Startselect: In deze opleiding krijg je een goed overzicht van de vakgebieden Business Intelligence, Data Science en alles wat daar mee te maken heeft. Aan het eind van de opleiding bleek deze informatie ook praktisch toepasbaar voor mijn organisatie.

John de Zwart | Varo Energy BV: Een inspirerende opleiding die het brede landschap van datascience goed en in detail beschrijft

Monuta NV: Leuke en interessante opleiding. Met name de dagen van Jack vond ik erg interessant en goed gepresenteerd.

Martijn van Dusschoten | a.s.r.: Praktisch opleiding waarin alle onderdelen op het gebied van data science worden behandeld.

Hatraco: Heeft alle aspecten belicht en mijn begin vraagstukken zijn prima beantwoord. Prima opleiding!

Kadaster: Het was een zeer geslaagde training, veel informatie in toch wel korte tijd die op een duidelijke manier door de drie docenten werden gepresenteerd en uitgelegd. Het praktische deel van data science was ook zeer interessant en gaf goed inzicht hoe AI werkt.

Niels Bissegger | Evides: De opleiding was holistisch & pragmatisch. Naast te weten welke stappen ik wél kan zetten in mijn organisatie, weet ik ook waar het nog te vroeg voor is.

Peter Vader | Gemeente Alphen aan den Rijn: Ik vind deze opleiding Master of Data Science goed aansluiten bij de omschrijving. Het geeft een doorkijk op de wereld van data gebruik. Waarom moet je data gebruiken en waar kan je het voor inzetten. Ook veel aandacht waarom data steeds waardevoller wordt voor onze maatschappij.

Frank Delva | idmsolutions: Deze data science opleiding heeft me gegeven wat me interesseerde. Ik ga verder in deze materie.

Ronald van Beers | Superunie: Mooi opleiding welke mijn kennisvraag exact heeft beantwoord. De opleiding biedt een mooie spiegel welke op de organisatie kan worden gericht.

ING: Ik zou wel checken bij mensen die me zouden vragen over de opleiding wat ze precies zoeken. Als het gaat om data science, zou ik opleiding niet zonder meer aanraden, maar rest is zeer waardevol. Als de vorm van data science anders zou zijn, zou ik opleiding zeker aanbevelen.

Wout Zwiep | Axxor BV: Zeer goed! ik ben erg blij dat ik de opleiding heb mogen doen.

Harald van Engelen | REDview BI: Heeft me precies gebracht wat ik zocht. Verbreding van het perspectief over datagedreven ondernemen, om meer de leiding te nemen in projecten. Verdieping van de technische kennis om de juiste keuzes te kunnen maken in platform, technische partners etc.

Koen van Laar | Gemeente Venlo: Goed. Het indeling van de verschillende onderwerpen was mooi. Leuke sfeer en inhoudelijk ook veel geleerd.

CCV: Ik heb veel gehad aan deze Data Science training. Ik heb nu goede handvaten gekregen om de opgedane kennis in de praktijk te brengen. Op de werkvloer konden ze al merken dat ik met deze cursus bezig was.

Jeffrey Snel | PostNL: Goede brede opleiding met goede vakkennis van de docenten. Je krijgt nogal wat puzzelstukjes te verwerken, maar als ze eenmaal vallen, dan vallen ze ook écht. Aanrader!

Gertjan van den Brink | Alfa Accountants en Adviseurs: Het is een complete opleiding die je helpt om te groeien in jouw persoonlijke DATA-ontwikkeling. De opleiding geeft je alle informatie die nodig is om de functie Data Science Translator op te pakken,

Margriet Snellen | ActiZ: Geeft een goede overview van het hele veld. Dus ook als inleiding heel goed om te volgen. Docenten maken er over het algemeen echt werk van om aan te sluiten bij waar je staat.

PinkRoccade Local Government: Breed theoretisch kader en prettige vertaalslag naar de praktijk door de docenten.

PinkRoccade Local Government: Mooie praktische handvatten. Die we gelijk hebben kunnen toepassen.

Christiaan Smith | Haaglanden Medisch Centrum: Een zeer uitgebreide opleiding Data Science. De opgedane kennis kan ik goed toepassen in mijn organisatie. Ik weet waar we staan en waar stappen gemaakt moeten worden.

Maurice Roosen | particulier: De opleiding heeft voldaan aan mijn verwachtingen. Positieve aspecten zijn de diversiteit van deelnemers en interactie binnen de groep. Daarnaast goed en behulpzaam cursusmateriaal.

Willem van der Does MBA MBB | Dutch Mountains: Zeer breed inzicht gekregen in de wereld van Data Science.

Richard Khemai | PGGM&CO: Een mooie opleiding Data Science gegeven door ervaren docenten die het op een leuke manier vertellen. Mooie praktische opdrachten.

The Future Group: Een goede, complete opleiding waarin alle aspecten van data science aan bod komen.

Univé Services BV: Goede training voor data science. Geeft een goed beeld van de diverse onderdelen die behandeld zijn en die ik zeker kan toepassen binnen mijn organisatie. Ik zou achteraf gezien deze opleiding niet in een summercourse doen, zodat je meer tijd hebt om de stof te laten bezinken.

Provincie Zuid-Holland: Goede opbouw van de opleiding en enthousiaste docenten. Kritische vragen kan ik inmiddels meer omgaan. Daar leer ik van om meer door te vragen en kritisch te zijn. Bedankt!

Frank Peek | Sanquin: Geeft een goed overall beeld van Data Science & Business Analytics. Laat de verschillende facetten goed zien en maakt het zoveel mogelijk praktisch en geeft daarmee handvatten om mee aan de slag te kunnen.

Beslist.nl: Het was een fijne opleiding, die vooral geschikt is voor personen die in een 'gesprekspartner' rol zitten in hun organisatie. Voor iemand in mijn rol was niet alles relevant, omdat ik er technisch dieper in zit en minder te maken hebt met management. Ik heb wel vernieuwde motivatie gekregen om data science bespreekbaar te maken in onze organisatie & om zelf te gaan experimenteren. 1 verbeterpuntje: soms hadden de docenten de neiging om door de powerpoints heen te scrollen en 'heen en weer' te gaan door de slides in plaats van het achter elkaar te bespreken, wat ervoor zorgde dat het voor mij soms lastig te begrijpen had & wat weinig structuur had.

Direct Lease: In de opleiding worden alle aspecten van BI en data science op heldere manier behandeld door drie zeer bevlogen trainers. Complimenten!

Veiligheidsregio Haaglanden: Door deze Data Science opleiding ben ik nu een betere gesprekspartner als het gaat om techniek. Daarnaast heb ik ook veel geleerd wat ik direct binnen mijn organisatie toe kan passen, van inrichting van goede data organisatie tot datakwaliteit verhogen.

Jurgen Zuiderduin | particulier: In 10 dagen krijg je een goed theoretisch overzicht van het vakgebied met voorbeelden en de mogelijkheid dit naar de eigen praktijk te vertalen.

Sholeh Mobaser | n.v.t.: Een hele goede basis voor het toepassen van Data Science in de organisaties.

Stephan Pals | Pals Consultancy: Super opleiding! Veel geleerd in een lekker hoog tempo. Veel vakkennis van de docenten en een hoop praktijkvoorbeelden.

Christian van der Kooi | CSK food enrichment: Een breed scala aan Data Science onderwerpen en theorieën die goed toepasbaar zijn in de praktijk.

Ben Wouterson | PDC/HRM/IDU Politie: Een traject waarin alles de revue passeert, inhoudelijk bij stil wordt gestaan met ruimte voor discussie. groepsdynamiek volop! Je leert wat Data Science echt betekent en kan betekenen voor jezelf in je werk maar ook voor het werk (de organisatie).

Result Laboratorium: Mooie brede opleiding waarin alle elementen mbt Data Science en AI aan de orde zijn gekomen. Hierdoor een beter inzicht gekregen in het vakgebied waardoor het mogelijk is een regierol te gaan vervullen.

Gert Kroeze | Automatic Choice Europe B.V.: Vertelt van begin tot eind wat data science voor een bedrijf kan betekenen en hoe daar te komen. Terminologie komt allemaal ter sprake. Up to date. Hands-on. Prima!

CCV Nederland: Geeft compleet beeld van het Data Science werkveld in voor mij voldoende diepgang.

Waterschap Drents Overijsselse Delta: Nuttig, helpt gedachten ordenen en juiste vragen te stellen in de organisatie.

Cerexagri BV: Voldeed aan mijn verwachting, eea is concreet toepasbaar, mn het regelmatig samenvatten van voorafgaande stof bijv aan begin van nieuwe cursusdag beviel mij goed. Summercourse is veel stof in korte tijd maar het is mij prima bevallen.

PO-Raad: Goede opleiding om te weten wat Data Science is en wat er allemaal achter vandaan komt. De indeling in de drie onderdelen was heel prettig. Ook dat er iemand iets kwam vertellen als Data Scientist-zijnde.

Pon: The two worlds of BI. Van theoretische benadering naar een praktische invulling van AI & BI. Verrassend, leerzaan, toepasbaar en zinvol.