skip to Main Content
Instituut voor toegepaste statistiek en data-analyse Geaccrediteerd door de Vereniging voor Statistiek

Opleiding Data Science en Big Data Analytics using Python (Certified)

Beschrijving

Tijdens de 12-daagse Opleiding Data Science en Big Data Analytics met Python doorloopt de cursist in vier blokken van telkens drie weken verschillende malen deze cyclus van activiteiten. De opleiding Data Science geeft een breed overzicht van moderne methoden en technieken zodat cursisten met alle typen werkzaamheden in aanraking komen. De verdieping komt van een eigen opdracht met ondersteuning van onze docenten, waarvan de resultaten aan het eind van de opleiding data science worden gepresenteerd.

Leervormen

De opleiding data science en Big Data Analytics bestaat uit het verwerken van voorbereidend materiaal, zoals leeswerk of video’s. Tijdens de contactdagen wordt de stof verder eigen gemaakt door (korte) presentaties door docenten en het maken van opdrachten onder leiding van onze deskundige docenten. Ten slotte wordt gewerkt aan een overkoepelende opdracht uit de praktijk die cursisten zelf moeten formuleren. Deze opdracht wordt begeleid door onze docenten en de resultaten worden gepresenteerd aan het eind van de opleiding data science.
Op de pagina Tridata Seminar Data Science vind je een selectie van de praktijkopdracht die de deelnemers hebben gepresenteerd in de afgelopen vijf jaar.

Doel van de Opleiding Data Science en Big Data Analytics using Python (Certified)

Na afronding van de opleiding kunnen deelnemers meedraaien in een Data Science team door:

  • Bedrijfsgegevens te vertalen in een data analyse probleem.
  • Aan te geven hoe geavanceerde analysetechnieken ingezet kunnen worden om een voorsprong te creëren op concurrenten.
  • Geschikte machine learning technieken en tools toepassen om Big Data te analyseren en hieruit inzichten te destilleren.
  • Gevonden resultaten te communiceren aan stakeholders en teamleden in door hen gekozen data visualisaties.
  • Hun vaardigheid in Python, scikit-learn, Jupyter notebooks en Spark in te zetten voor data analyses.

Doelgroep

  • Business Intelligence  en Data analisten die hun kennis willen uitbreiden met Big Data en Data Science vaardigheden
  • Teammanagers van BI en Data analisten
  • Jonge academici die een carrière ambiëren als Data Scientist.
  • Specialisten die hun kennis over het analyseren van Big Data op peil willen brengen.

Vereiste voorkennis en vaardigheden

    • Om de opleiding Data Science succesvol af te sluiten wordt van de deelnemer een bepaald kennisniveau verwacht:
    • Minimaal afgeronde HBO/WO opleiding.
    • Goede basiskennis van basisstatistiek. Begrippen uit de beschrijvende statistiek zoals centrummaten, spreidingsmaten, meetniveaus, en (co)variantie zijn bekend.
    • Bekendheid met statistische modellen zoals regressies is geen vereist maar helpt om het maximale rendement uit de opleiding te halen.
    • Ervaring in het programmeren met één of meerdere computertalen zoals R, Matlab, Stata, SAS, Python, SPSS, GAUSS , C, C++, C#, Java, SQL of vergelijkbaar is een pré.

Tijdens de opleiding zullen opdrachten in Python uitgevoerd worden. Wil je liever aan de slag met R, meld je dan aan voor de Opleiding Data Science en Business Data Analytics using R.

Doel van de Opleiding Data Science en Big Data Analytics

Na afloop van de opleiding Data Science en Big Data Analytics kunnen deelnemers meedraaien in een Data Science team door:

  • Bedrijfsgegevens te vertalen in een data analyse probleem.
  • Aan te geven hoe geavanceerde analysetechnieken ingezet kunnen worden om een voorsprong te creëren op concurrenten.
  • Geschikte analytische technieken en tools toepassen om Big Data te analyseren en hieruit inzichten te destilleren.
  • Gevonden resultaten te communiceren aan stakeholders en teamleden in door hen gekozen data visualisaties.

Programma Data Science en Big Data Analytics

De opleiding Data Science en Big Data Analytics using Python bestaat uit vier blokken van elk drie weken. Het laatste blok wordt afgesloten met een middag waarin deelnemers hun eigen onderzoek presenteren. Daarnaast wordt in elk blok minstens één casus uitgewerkt, van inlezen en opschonen van gegevens, tot analyseren visualiseren van data en resultaten.

Blok 1: Inleiding, visualisatie, en communicatie
Waar kan statistical learning voor worden gebruikt? We maken kennis met enkele traditionele modellen voor het schatten van numerieke en categoriale variabelen. Ook zullen we ingaan op het inrichten van een science project, en visualiseren en rapporteren van resultaten.

– Inleiding Python
– Inleiding statistical learning, modellen en modelfouten, beoordelen van modellen
– Regressiemethoden en methoden voor classificatie
– Denken in de data waardeketen, rapporteren en visualisatie

Blok 2: Predective Machine Learning in Python
Machine learning modellen zijn traditioneel vooral bedoeld om schattingen te kunnen maken van individuele gebeurtenissen, zoals: in welke advertentie is deze bezoeker van mijn website het meest geïnteresseerd? Met moderne methoden kunnen ML modellen echter ook gebruikt worden voor het ontdekken van verbanden tussen variabelen.

– Tree models, Random Forest, bagging, boosting, GBM
– Neurale netwerken, Support vector machines
– Unsupervised learning
– Interpretable machine learning, open de Machine Learning black box

Blok 3: Tekstmining en tekst analyse in Python
Het product van een data science project bestaat uit de data, de resultaten, en de code die is gebruikt. In dit blok gaan we in op software engineering methoden die relevant zijn voor data science. Inhoudelijk wordt ingegaan op het structureren, visualiseren en analyseren van tekst data.

– Beheer van data science scripts en code
– Web scraping, text extractie uit verschillende formaten
– Het bouwen van een web API
– Tekstmining, informatie-extractie, tekstclassificatie, en topic models.

Blok 4: Tijdreeksanalyse (forecasting), Netwerkanalyse en presentatie eigen onderzoek in Python
Niet alle gegevens zijn eenvoudig in de vorm van records (relationele data) te weer te geven. Tijdreeksen en netwerken hebben een eigen structuur waardoor specifieke analysemethoden nodig zijn. Tegelijkertijd biedt die structuur kansen, zoals forecasting bij tijdreeksen, of het zoeken van belangrijke elementen zoals influencers of gemeenschappen in een netwerk.

– Tijdreeksen: ontleden, autocorrelatie, forecasting
– Inleiding netwerk analyse: visualisatie, community detection, centraliteit
– Inleiding werken met Big Data (Spark, Hadoop)
– Presentatie eigen opdracht.

Startdata

Blok 1: 23-okt, 30-okt, 6-nov 2020
Blok 2: 13-nov, 20-nov, 27-nov 2020
Blok 3: 4-dec, 11-dec, 18-dec 2020
Blok 4: 8-jan, 15-jan, 22-jan 2021

Blok 1: 11-mrt, 18-mrt, 25-mrt 2021
Blok 2: 8-apr, 15-apr, 22-apr 2021
Blok 3: 13-mei, 20-mei, 27-mei 2021
Blok 4: 10-jun, 17-jun, 24-juni 2021

Lestijden

De lestijden zijn van 9:15 uur tot 16:00 uur met uitloop tot 16:30 uur.

Aantal deelnemers

Gelet op het intensieve en interactieve karakter van de Opleiding Certified Data Science worden maximaal tien deelnemers toegelaten.

Cursuslocatie Utrecht

Europalaan 400, 5e verdieping
3526 KS Utrecht

Certificering

Deelnemers krijgen een deelname certificaat van Tridata. Na afloop kunnen de deelnemers eveneens deelnemen aan het INFORMS examen voor de internationaal erkende titel Certified Analytics Professional (CAP). De daaraan verbonden kosten komen voor de rekening van de deelnemer.
*N.B. Voor CAP certificering is minimaal 3 jaar relevante werkervaring vereist.

Kosten en inschrijving

De kosten van de 12-daagse opleiding Data Science en Big Data Analytics using Python bedragen € 6900. De kosten van de opleiding zijn vrijgesteld van BTW (BTW-tarief 0%) en is inclusief boeken en opleidingmateriaal, boeken, koffie / thee en lunches.

In-company en maatwerk

De opleiding Data Science en Big Data Analytics using Python kan ook in-company worden gegeven. Een in-company training, ook wel in-house training of bedrijfstraining, is een training die binnen jouw organisatie plaatsvindt. Hebben meerdere collega’s in jouw organisatie dezelfde leervraag? Dan is een in-company training zeer geschikt. Onze trainingsprogramma’s stemmen we af op leerwensen en –doelen van jou en je collega’s. Voor meer informatie kunt u contact met ons opnemen.

Waarom de opleiding volgen bij Tridata?.

– Tridata is het enige instituut wat een door de Vereniging voor Statistiek & Operationele Research (VVS-OR) erkende opleiding statistiek aanbiedt.
– Tridata is het eerste instituut in Nederland dat begonnen is met het verzorgen van opleidingen van Data Science opleidingen.
– De data science opleiding van tridata is een multidisciplinaire opleiding die wordt gegeven door drie verschillende docenten met ruime ervaring op het gebied van Python, R, statistical modeling en machine learning, statistical software development, tekstanalyse, big data, Tekstmining, datavisualisatie en datamanagement & cloud computing. .

Docenten

Gezien de breedte van de onderwerpen, wordt de opleiding Data Science en Big Data Analytics, gegeven door drie ervaren docenten met elk hun eigen specialisatie.

De Data Science docenten van Tridata zijn professionele datawetenschappers. Zij hebben diverse wetenschappelijke artikelen gepubliceerd in boeken en tijdschriften en kunnen vloeiend schakelen tussen de verschillende thema’s van Data Science, Machine Learning en Artificial Intelligence. Zij beschikken over aantoonbare didactische vaardigheden.

Dr. M. (Mark) van der Loo studeerde cum laude af in de informatische chemie aan de Katholieke Universiteit Nijmegen (een combinatie van scheikunde, wiskunde, en informatica). Na zijn promotie op een onderwerp uit de quantumfysica is hij werkzaam als statistisch onderzoeker bij het CBS met als specialiteit statistical computing and modeling, data cleaning en text processing. Over deze onderwerpen publiceert hij op conferenties en in peer reviewed journals. Mark is expert op het gebied van R, python,  en (multicore) C programming en heeft verschillende R-packages op CRAN gepubliceerd. Een van die packages wordt onder andere door Wikimedia Foundation gebruikt voor tekstanalyse van Wikipedia paginas. Mark werkt sinds 2012 als consultant en docent voor Tridata.

Drs. E(Edwin) de Jonge Studeerde af in de theoretische natuurkunde aan de Katholieke Universiteit Nijmegen. Na zich enkele jaren the hebben gespecialiseerd in softwareontwikkeling is hij als onderzoeker gaan werken bij het CBS met als specialiteit statistical computing and modeling, data management en data visualisatie. Over dit laatste onderwerp publiceerde Edwin onder andere een paper voor de prestigieuze IEEE VisWeek conferentie. Edwin is expert op het gebied van verschillende programmeertalen waaronder C++, javascript, python en R. In die laatste taal ontwikkelde hij een package wat inmiddels meer dan 120.000 maal per maand wordt gedownload van de CRAN servers. Edwin werkt sinds 2012 als consultant en docent voor Tridata.

Edwin en Mark zijn auteur van het boek ‘Learning R Statistical Computing with Rstudio‘ (Packt publishing, 2012) en werken momenteel, aan een boek over ‘Statistical Data Cleaning with Applications in R‘. In 2013 gaven zij een tutorial op de grootste R conferentie ter wereld (useR!2013) getiteld “an introduction to data cleaning with R”.

Dr. J.(Joris) de Wind promoveerde in 2014 aan de Universiteit van Amsterdam (Cum Laude). In zijn proefschrift heeft hij verschillende nieuwe econometrische technieken ontwikkeld en toegepast op macroeconomische vraagstukken. Joris heeft in de periode 2008-2017 verschillende economische modellen ontwikkeld voor zowel beleidsanalyses en het maken van (korte-termijn) voorspellingen, eerst bij De Nederlandsche Bank en later bij het Centraal Planbureau. In 2017 heeft Joris de overstap gemaakt naar de data science discipline en is momenteel als data scientist werkzaam bij ING Nederland. Sinds medio 2018 geeft Joris diverse data science cursussen namens Tridata, zowel in R en ook met Python.

Back To Top