Beschrijving
Van data naar inzichten en voorspellen
Met deze module stap je in de wereld van Data Science. Je leert hoe je met Python, statistiek en machine learning complexe datasets omzet in inzichten die ertoe doen en voorspellingen en scenario’s door te rekenen voor de toekomst.
De module combineert theorie, praktijk en experimenteren. Je werkt aan opdrachten en cases waarin je de verschillende onderdelen van data science samenbrengt. Zo ontwikkel je niet alleen technische vaardigheden, maar ook het analytische en kritische denkvermogen dat een goede data scientist kenmerkt.
Klaar om data om te zetten in inzichten en inzichten in impact? In deze module leg je een stevige basis voor een carrière als data scientist.
Wat komt aan bod?
Data exploratie en visualisatie
Ontdek patronen, trends en afwijkingen in datasets en leer hoe je inzichten overtuigend visualiseert.
Datavoorbewerking
Leer omgaan met ontbrekende waarden, afwijkende gegevens en verschillende datatypes, en maak data geschikt voor analyse.
Statistiek voor data science
Krijg inzicht in statistische begrippen en technieken die nodig zijn om data verantwoord te interpreteren.
Machine learning
Maak kennis met supervised en unsupervised learning en leer modellen bouwen, trainen en evalueren.
Predictive analytics
Ontdek hoe je op basis van historische data voorspellingen kunt doen en welke valkuilen daarbij komen kijken.
Feature engineering en modelselectie
Leer hoe je data geschikt maakt voor machine-learningmodellen en hoe je verschillende modellen met elkaar vergelijkt.
Python en data science-tools
Werk met veelgebruikte libraries en ontwikkel praktische vaardigheden die je direct kunt toepassen.
Na deze module kun je
data analyseren en visualiseren, modellen trainen en inzichten om te zetten in impact:
Datasets te verkennen en interessante patronen, trends en afwijkingen te ontdekken.
Data te analyseren en visualiseren met behulp van Python en relevante data-science-tools.
Statistische technieken toe te passen om data te interpreteren en onderbouwde conclusies te trekken.
Machine-learningmodellen te bouwen, trainen en evalueren voor bijvoorbeeld classificatie en voorspelling.
De prestaties van modellen te beoordelen en passende modellen en technieken te selecteren.
Resultaten te vertalen naar heldere inzichten en adviezen voor verschillende doelgroepen.
Kritisch na te denken over de kwaliteit, betrouwbaarheid en ethische aspecten van data en modellen.


