Data Science

Niet Goed Geld Terug

Gratis Annuleren

Startgarantie

NRTO Keurmerk

9,9 op basis van 45 ervaringen
StartdatumEinddatumLocatie
13-05-202415-05-2024Den Haag
1.665,- excl. btw

Leer de essentiële en meest effectieve Data Science technieken tijdens deze hands-on driedaagse cursus. Ga aan de slag met de fundamenten van Machine Learning en het toepassen van regressie, clustering en classificatie. Dit is alleen mogelijk met onze unieke lesmethode en persoonlijke aandacht. De cursus wordt afgesloten met een Data Science certificaat.

Background Image for School of Data Science Website

Data Science

Niet Goed Geld Terug 
Gratis annuleren
Startgarantie
★★★★★ 9,9 op basis van 45 ervaringen

Niveau: HBO/WO Trainer

Tijdens deze driedaagse cursus leer je de basis van data science en ga je aan de slag met het toepassen van machine learning concepten op datasets. Na deze cursus ben je in staat zelfstandig aan de slag te gaan met het toepassen van technieken op eigen datasets.

StartdatumEinddatumLocatie
13-05-202415-05-2024Den Haag
1.665,- excl. btw

Mail: farisch@schoolofdatascience.nl

Telefoonnummer:
06 5437 5267 of 070 221 1586

Background Image for School of Data Science Website

Ervaringen

Hieronder is een selectie te zien van onze blije klanten. Bekijk hier alle recensies.

Bart Vrancken
Bart Vrancken
Directeur Enterprise Risk Management bij de Volksbank
Read More
"Een uitstekende cursus aan de School of Data Science gevolgd over data science. Diverse varianten van supervised, unsupervised en reinforcement learning doorgeakkerd. De trainer legt rustig en duidelijk uit. Als hij merkt dat er meer tijd nodig is, dan wordt deze ingeruimd. De combinatie van theorie en praktijk, waarbij opdrachten gemaakt moeten worden, is een prima manier om wegwijs te worden in python en de libraries van pyhthon. Een aanrader; een basis van wiskunde (A) is wel wenselijk om de cursus up-to-speed te kunnen volgen."
Mitchell Baes
Mitchell Baes
Business Analist
Read More
"Goede en informatieve training waarbij ook echt de tijd werd genomen voor ieder individu. De trainer neemt echt de tijd om alle concepten uit te leggen en daarbij ook voorbeelden te benoemen. De afwisseling van theorie en praktijk is ook ideaal om het zelf onder de knie te krijgen. Verder na de training staat de trainer altijd voor je klaar als je vragen hebt. De cursus is een aanrader voor iedereen die zich op het gebied van Data Science wilt ontwikkelen."
Emiel Wegman
Emiel Wegman
Data Analist bij Zilveren Kruis Achmea
Read More
"De School of Data Science slaagt erin om complexe kennis en vaardigheden op zeer efficiënte wijze over te brengen. Dit doen zij door cursisten in korte tijd precies de juiste handvatten te geven die hen in staat stellen om zelfstandig door te leren. Prettig is ook dat de docenten na de cursussen altijd voor mij klaarstonden om eventuele vragen te beantwoorden."
Isidora Penning de Vries
Isidora Penning de Vries
Lean Six Sigma Black Belt
Read More
"Ik werk al enige tijd als Lean Six Sigma Black Belt en was op zoek naar een efficiëntere manier om data analyses uit te voeren. Voordat de cursus begon heb ik Farisch al gesproken en wat huiswerk gekregen zodat de cursisten ongeveer op hetzelfde niveau begonnen. De uitleg was helder en er was tijd voor uitweidingen op basis van de interesse van de cursisten. Het instructiemateriaal steekt goed in elkaar, met duidelijke opdrachten. Naderhand heb ik nog contact met Farisch gehad met wat vragen over hoe ik bepaalde dingen in de praktijk kon brengen. Deze week heb ik mijn eerste resultaten in mijn bedrijf gepresenteerd en ik heb ook mijn collega's enthousiast kunnen maken over de mogelijkheden van Python en Data Science. Ik zou School of Data Science zeker aanraden."
Razia Mahabier
Razia Mahabier
Cloud Developer
Read More
"Ik heb de les als heel fijn ervaren. Uitleg was helder en duidelijk. Het was heel interactief, waardoor ik mijn aandacht er ook goed bij kon houden. Het fijnste vond ik dat ik mij ook vrij voelde om vragen te stellen."
Daan Sloothaak
Daan Sloothaak
Business & Data Analist
Read More
"Ideale training om bekend te worden op het gebied van Data Science. Farisch weet een uitdagend programma met verschillende onderdelen op een leuke en luchtige manier over te brengen, helemaal afgestemd op het niveau van de cursisten. Door goed te coachen en altijd bereikbaar te zijn voor eventuele vragen (ook na de training) stelt hij je in staat om in korte tijd veel te leren. "
Previous
Next

Informatie

Locatie: Den Haag/Utrecht
Duur: 3 dagen.
Studiebelasting: 21 uur cursus + 14 uur zelfstudie.

Lestijden: 10:00 – 16:30.
Lesdag: Maandag, dinsdag en woensdag.
Taal: Nederlands/Engels.
Niveau: HBO/WO.

Prijs: €1.665,-excl. btw.

Deze cursus incompany organiseren voor je team? Neem contact met ons op!

Over de cursus Data Science

Tijdens deze driedaagse cursus leer je hands-on de meest belangrijke en effectieve data science tools. De data science cursus is een brede cursus op het gebied van geavanceerde data-analyse en verwerking en machine learning. De machine learning technieken die tijdens deze cursus behandeld worden zijn clustering, regressie en classificatie met scikit-learn. Deze cursus is geschikt voor mensen die al ervaring hebben met programmeren in Python en die hun vaardigheden willen aanvullen met data science vaardigheden. De cursus Data Science sluit perfect aan op de cursus Python for Data Analysis. Deze cursus kan gevolgd worden als opstap naar een meer gespecialiseerde cursus, zoals bijvoorbeeld Deep Learning.

Leerdoelen Data Science

Na deze cursus:
  • ken je het verschil tussen supervised, unsupervised en reinforcement learning;
  • ken je de principes van hoe machine learning modellen leren;
  • kun je data clusteren met optimale parameters;
  • kun je regressie algoritmes toepassen op datasets om hiermee voorspellingen te doen;
  • kun je classificatie algoritmes toepassen op datasets om data te classificeren, en
  • kun je een decision tree toepassen op datasets en deze optimaliseren.
  • kun je parameters van machine learning algoritmes aanpassen om overfitting te voorkomen. 

Voor wie is de Data Science cursus?

  • Je wilt data science en machine learning concepten leren begrijpen en effectief kunnen toepassen.
  • Je begrijpt de basisconcepten van de programmeertaal Python (zie Python Essentials).
  • Je kan data lezen en te analyseren met pandas.
  • Je kan data visualiseren met Python.
  • Je bent benieuwd naar hoe je het meest effectief de libraries pandas, numpy en scikit-learn kan inzetten. 
  • Je wilt leren werken in Jupyter Notebooks aan Data Science technieken.
data science cursus visualisaties
Rick Cursus Data Science

Afbeelding 1 en 2. Enkele voorbeelden van outputs uit de data science cursus en ons klaslokaal op locatie Rotterdam.

Cursusinhoud Data Science

Dag 1: Intro to Data Science and Machine Learning

Tijdens deze dag leer je de fundamenten van machine learning en ga je aan de slag met het bouwen van lineaire regressie en polynomiale regressie modellen.

Fundamenten van machine learning

  • Supervised learning. Supervised Learning is een van de meest gebruikte learning technieken van hedendaagse machine learning modellen. Bij Supervised Learning leren modellen van gelabelde data. Dit kunnen gelabelde afbeeldingen zijn van katten en honden of een dataset met informatie over huizenprijzen.
  • Unsupervised learning. Unsupervised Learning is een algoritme dat leert door patronen te herkennen. We leren hier welke soort Unsupervised Learning algoritmen er zijn. Ook leren we welke toepassingen Unsupervised Learning algoritmen hebben. We zullen hierbij enkele voorbeeld cases bespreken.
  • Test set/train set. Voor het goed opzetten van een machine learning model is het heel belangrijk een scheiding te maken in je test en train set. Op deze manier kun je op een unbiased manier je hyperparameters optimaliseren. In deze module leer je waarom je dat doet en op welke manier je dat het beste kan doen.
  • Bias en variance (overfitting). Het creëren van een optimaal machine learning model betekent een goede balans vinden in de complexiteit van het model. Je leert in deze module alles over het optimaliseren van het model en wat de gevolgen zijn van overfitting en underfitting.

Regressie

  • Cost function en gradient descent. Hier leer je alles over hoe machine learning modellen leren. Je leert het concept van de cost function, leert verschillende soorten cost functions en leert wat Gradient Descent is. Ook leer je hoe je optimaal parameters kiest voor Gradient Descent.
  • Lineaire en polynomial regressie in sci-kit learn. In deze module pas je concepten toe voor het voorspellen van huizenprijzen. Je leert de resultaten analyseren en bekijkt hoe goed jouw model het doet met behulp van verschillende cost functions.

Dag 2: Clustering en Classificatie

Clustering

  • K-means. Leer hier alles over het K-means clustering algoritme. Je leert hoe je data clustert op basis van een K aantal centrumpunten en hoe je een optimaal aantal centrumpunten kiest. Ook leer je het nut van data normaliseren of standaardiseren.
  • Clustering toepassen op de Iris dataset. Je past de theorie van K-means clustering toe op de Iris dataset. Hier cluster je de data van de Iris flower data set en leer je clusters herkennen.
  • DBSCAN. Naast K-means leert je over DBSCAN. DBSCAN is een clustering-algoritme dat punten in clusters groepeert op basis van hun nabijheid en dichtheid.

Dag 3: Classificatiemodellen

Tijdens deze dag leer je verschillende algoritmes voor het classificeren van data.

Classificatie

  • KNN. In deze module leer je data classificeren op basis van het KNN (k-nearest neighbors) algoritme. Een algoritme dat leert door te kijken naar dichtbijgelegen datapunten. Je leert hier voor welk soort data en vraagstukken dit algoritme geschikt is. Ook leer je hoe je op een zorgvuldige manier de juiste parameters kiest. Daarnaast leer je alle voor en nadelen van dit algoritme. We sluiten het theorie gedeelte af met uitbreidingen op het algoritme die het algoritme nauwkeuriger maken.
  • Classificatie met diabetes dataset. We passen dit algoritme toe op een dataset met mensen die wel of niet diabetes hebben. De uitdaging is hier om diabetes te kunnen voorspellen aan de hand van verschillende factoren.
  • Precision, recall en F1-score. Wanneer we classificatie algoritmen gebruiken, hebben we goede graadmeters nodig om het algoritme te kunnen beoordelen op kwaliteit. In deze module leer je hoe je dit systematisch kan doen.
  • SVM. In deze module leer je over het SVM (Support Vector Machine) algoritme. Je leert de voordelen van dit algoritme en hoe je systematisch parameters kiest, zodat er geen overfitting ontstaat.

Decision Trees en Regression Trees

  • Information Gain . Leer met de hand decision trees maken door de information gain per splitsing te berekenen. Je leert hiermee de theorie achter information gain en decision trees. Je begrijpt hierdoor op een fundamentele manier hoe dit soort algoritmes werken.
  • Overfitting. Ook decision trees hebben last van overfitting. We leren waarom decision trees overfitten. Ook hier leren we systematisch belangrijke parameters aan te passen.
  • Regression Trees toepassen op regressie probleem. We breiden het concept van Decision Trees uit naar Regression Trees. Hiermee leren we hoe beslisbomen in staat zijn numerieke data te voorspellen.

Extra informatie over de Data Science cursus

  • Je hebt voor deze cursus een eigen laptop nodig om mee te doen. Je kunt van tevoren gratis de Anaconda software downloaden via deze link.
  • Tijdens de cursus zal er een lunch worden voorzien. Heb je dieetvoorkeuren? Laat het ons weten! Dan zorgen wij voor een aangepaste lunch.

Veelgestelde vragen

Onder data science verstaat School of Data Science een interdisciplinair veld met daarin alle methodieken, systemen en processen die inzichten halen uit data. Het wetenschappelijk veld waaruit data science inzichten onttrekt zijn onder andere data mining, machine learning, statistiek en informatica.

De Data Science cursus sluit het beste aan na het volgen van de Python for Data Analysis cursus. De Data Science cursus gaat ervanuit dat je reeds kennis hebt van Pandas (en eventueel Matplotlib). De Data Science cursus behandeld onderwerpen door vanuit wiskundige formules en concepten naar een algoritme toe te werken. De cursus Data Science is hands-on. Je programmeert hier heel veel zelf (er wordt weinig voorgedaan) en komt zelf tot conclusies via het programmeren. De Machine Learning cursus sluit goed aan op de Data Science cursus en kan dus als vervolg gevolgd worden. Hier worden er andere Machine Learning concepten besproken en maak je een begin aan Deep Learning. De cursus Machine Learning is minder hands-on. Hier wordt veel meer besproken en is er al veel voorgedaan. 

De driedaagse data science cursus is onderdeel van de data science opleiding (zie data science learning  journey). De data science opleiding is in deeltijd te volgen. Je bent vrij de modules zelf in te plannen en je in te schrijven voor de beschikbare data die School of Data Science gepland heeft staan. Mocht je hier nog vragen over hebben, kun je contact met ons opnemen.

Onze deelnemers zijn te verdelen in drie groepen: recent afgestudeerden, mensen die dagelijks met data werken en leidinggevenden. De groep recent afgestudeerden volgt deze opleiding vaak als verbreding van het kennisniveau. Zij leren technieken die ze niet bij de studie gehad hebben om data te analyseren, te verwerken en vervolgens voorspellingen te doen. Het merendeel van deze groep noemt zichzelf ‘Data Scientist’ in hun functieomschrijving na het volgen van de data science opleiding. De groep die dagelijks met data werkt gebruikt de data science opleiding vaak om meer te kunnen doen met de data die beschikbaar is binnen hun organisatie. Vaak werken ze al met een programma als Excel, SAS of MATLAB. Vaak hebben deze mensen al iets van Data Analist of Data Scientist als functieomschrijving. De groep leidinggevenden stuurt vaak een groep aan die werken met data. Voor hen is deze opleiding handig om mee te kunnen praten over data science concepten en technieken. Ook leren ze deze concepten en technieken begrijpen op een niveau dat ze zelf nieuwe modellen en algoritmes kunnen voorstellen.

Ja, zeker! Vaak helpt het wel om wat achtergrondkennis te hebben. Dit kan domeinkennis zijn, kennis van statistiek en/of wiskunde, kennis in een andere programmeertaal of kennis van Excel.

Ongeveer 40% van onze cursisten valt in de categorie ‘beginner’. Dat betekent dat er weinig tot geen kennis is van bovengenoemde achtergrondkennis. Al deze cursisten hebben de data science opleiding als positief of zeer positief ervaren.

Voordat je de Data Science cursus kan volgen raden we aan de Python for Data Analysis cursus te volgen. Denk je genoeg voorkennis te hebben, laat het dan weten bij je inschrijving of tijdens het intakegesprek.

Je kunt op aanvraag na de cursus een zogenaamd ‘Certificaat van deelname’ ontvangen van de School of Data Science. Hierop staat je naam, de datum, de cursusnaam en het aantal uur dat besteed is aan de cursus.

Er bestaan op dit moment geen specifieke kwalificaties voor Data Science. 

Jazeker! Onze opleidingen, trainingen en cursussen kan je volgen met het UWV Scholingsbudget. Dus ook de cursus Data Science is te volgen met het UWV Scholingsbudget. Op onze UWV Scholingsbudget pagina kan je meer informatie vinden over het UWV Scholingsbudget en een aanvraag indienen.

Scroll to Top