Professionele Data Scientist — Van bedrijfsprobleem tot model in productie
Volledig professioneel leerpad om een Data Science-aanpak te voeren, van bedrijfsprobleem tot geëvalueerd, uitgerold en gemonitord model.
De Data Scientist zet een bedrijfsprobleem om in een experimentele, datagedreven aanpak. Hij bouwt betrouwbare werkdatasets, formuleert hypotheses, stelt baselines vast, ontwikkelt en vergelijkt modellen, meet onzekerheid en bias en helpt de modellen te integreren in producten of processen die echt worden gebruikt.
Dit leerpad behandelt Python, SQL, statistiek, experimenteren, Machine Learning, feature engineering, tijdreeksen, tekst en embeddings, causaliteit, deep learning, reproduceerbaarheid, uitlegbaarheid, fairness en MLOps. Het doel is een relevante modelleringsstrategie te kunnen kiezen, de prestaties en operationele waarde ervan aan te tonen en mee te werken aan uitrol, monitoring en governance.
metiers_prof_data_scientist_outcome
15 cursussen • 150 interactieve lessen • 45 tot 75 uur conversationele opleiding
Beste aanbod
Volledig pakket — Data Scientist
399,00 € excl. btw
Besparing : 124,80 €
74,70 €
64,90 excl. btw
Besparing : 9,80 €
Afbakening van het probleem en werkomgeving
De rol van de Data Scientist begrijpen, een bedrijfsvraagstuk vertalen naar een modelleringsprobleem en een reproduceerbare werkomgeving inrichten.
Informatie over de opleiding
Dataprofessionals, analisten, ontwikkelaars en technische profielen die Data Science-projecten willen leiden, van verkenning tot evaluatie, uitrol en opvolging van modellen.
Geen gevorderde voorkennis vereist. Vertrouwdheid met de computer en interesse in data-analyse of probleemoplossing volstaan om te beginnen.
- De rol van de Data Scientist begrijpen en analyse, voorspelling, causaliteit en optimalisatie onderscheiden
- Werken met arrays en datastructuren in NumPy en pandas
- Data visualiseren met Matplotlib of Seaborn om een eerste interpretatie te communiceren
- Een eerste interpretatie van de data presenteren aan een businesscontact
- De methoden en tools uit de cursus toepassen op een representatieve beroepssituatie.
- Een bruikbaar en controleerbaar resultaat opleveren met de behandelde begrippen: een eerste interpretatie van de data presenteren aan een businesscontact
- De kwaliteit van data, resultaten, bewijs of beslissingen controleren vóór presentatie of uitvoering.
- De aanpak documenteren, de beperkingen toelichten en de gemaakte keuzes verdedigen tegenover een professionele gesprekspartner.
3 tot 5 u
24,90 € excl. btw
Datakwaliteit en statistisch redeneren
Problemen met datakwaliteit herkennen en de statistische en probabilistische basis toepassen die nodig is voor een Data Science-project.
Informatie over de opleiding
Dataprofessionals, analisten, ontwikkelaars en technische profielen die Data Science-projecten willen leiden, van verkenning tot evaluatie, uitrol en opvolging van modellen.
Geen gevorderde voorkennis vereist. Vertrouwdheid met de computer en interesse in data-analyse of probleemoplossing volstaan om te beginnen.
- Ontbrekende data, uitschieters, meetfouten en verzamelbias herkennen
- Covariantie, correlatie en interpretatiegrenzen begrijpen
- De gangbare verdelingen (normaal, Poisson, binomiaal) en het praktische gebruik ervan begrijpen
- De kwaliteit van een echte dataset auditen en een datakwaliteitsrapport opstellen
- De methoden en tools uit de cursus toepassen op een representatieve beroepssituatie.
- Een bruikbaar en controleerbaar resultaat opleveren met de behandelde begrippen: de kwaliteit van een echte dataset auditen en een datakwaliteitsrapport opstellen
- De kwaliteit van data, resultaten, bewijs of beslissingen controleren vóór presentatie of uitvoering.
- De aanpak documenteren, de beperkingen toelichten en de gemaakte keuzes verdedigen tegenover een professionele gesprekspartner.
3 tot 5 u
24,90 € excl. btw
Experimenteel protocol en baseline
Een rigoureus experimenteel protocol opzetten en een eerste referentiebaseline vaststellen.
Informatie over de opleiding
Dataprofessionals, analisten, ontwikkelaars en technische profielen die Data Science-projecten willen leiden, van verkenning tot evaluatie, uitrol en opvolging van modellen.
Geen gevorderde voorkennis vereist. Vertrouwdheid met de computer en interesse in data-analyse of probleemoplossing volstaan om te beginnen.
- Trainings-, validatie- en testdata correct scheiden
- Een evaluatiemetric kiezen die aansluit bij de bedrijfskosten van fouten
- Meerdere naïeve baselines vergelijken: gemiddelde, bedrijfsregel, willekeurig model
- Praktijkworkshop: een volledige verkennende studie uitvoeren en een modelleringsstrategie voorstellen
- De methoden en tools uit de cursus toepassen op een representatieve beroepssituatie.
- Een bruikbaar en controleerbaar resultaat opleveren met de behandelde begrippen: een volledige verkennende studie uitvoeren en een modelleringsstrategie voorstellen
- De kwaliteit van data, resultaten, bewijs of beslissingen controleren vóór presentatie of uitvoering.
- De aanpak documenteren, de beperkingen toelichten en de gemaakte keuzes verdedigen tegenover een professionele gesprekspartner.
3 tot 5 u
24,90 € excl. btw
89,70 €
76,90 excl. btw
Besparing : 12,80 €
Protocol voor supervised experimenten
Een betrouwbaar experimenteel protocol opbouwen en een modelfamilie kiezen die past bij de te ondersteunen beslissing.
Informatie over de opleiding
Dataprofessionals, analisten, ontwikkelaars en technische profielen die Data Science-projecten willen leiden, van verkenning tot evaluatie, uitrol en opvolging van modellen.
De basis uit de eerste cursussen van het leerpad kennen of over gelijkwaardige praktijkervaring beschikken.
- Een reproduceerbaar experimenteel protocol opbouwen: data, transformaties, baseline, metrics en experimentlogboek
- Interpreteerbare en niet-lineaire modelfamilies vergelijken zonder complexiteit en nuttige prestaties te verwarren
- De rol van L1/L2-regularisatie begrijpen om de complexiteit van een model te beheersen
- Een eenvoudig en een complex model vergelijken op dezelfde concrete bedrijfscase
- De methoden en tools uit de cursus toepassen op een representatieve beroepssituatie.
- Een bruikbaar en controleerbaar resultaat opleveren met de behandelde begrippen: een eenvoudig en een complex model vergelijken op dezelfde concrete bedrijfscase
- De kwaliteit van data, resultaten, bewijs of beslissingen controleren vóór presentatie of uitvoering.
- De aanpak documenteren, de beperkingen toelichten en de gemaakte keuzes verdedigen tegenover een professionele gesprekspartner.
3 tot 5 u
29,90 € excl. btw
Datatoegang en omgaan met onevenwichtigheid
Een modelleringsstrategie kiezen die past bij de projectbeperkingen, toegang krijgen tot de brondata en klasseonevenwicht beheersen.
Informatie over de opleiding
Dataprofessionals, analisten, ontwikkelaars en technische profielen die Data Science-projecten willen leiden, van verkenning tot evaluatie, uitrol en opvolging van modellen.
De basis uit de eerste cursussen van het leerpad kennen of over gelijkwaardige praktijkervaring beschikken.
- Een modelleringsstrategie kiezen op basis van volume, niet-lineariteit, interpreteerbaarheid, latentie en onderhoudskosten
- Metrics, curves en beslisdrempels kiezen op basis van de kosten van vals-positieven, vals-negatieven en onthoudingen
- Over- en undersamplen zonder lekken te introduceren, met SMOTE en alternatieven
- De herkomst en actualiteit van de gebruikte data documenteren (data lineage)
- De methoden en tools uit de cursus toepassen op een representatieve beroepssituatie.
- Een bruikbaar en controleerbaar resultaat opleveren met de behandelde begrippen: de herkomst en actualiteit van de gebruikte data documenteren (data lineage)
- De kwaliteit van data, resultaten, bewijs of beslissingen controleren vóór presentatie of uitvoering.
- De aanpak documenteren, de beperkingen toelichten en de gemaakte keuzes verdedigen tegenover een professionele gesprekspartner.
3 tot 5 u
29,90 € excl. btw
Validatie en selectie van het model
Een robuuste validatie opbouwen, het zoeken naar hyperparameters organiseren en verdedigbaar een eindmodel kiezen.
Informatie over de opleiding
Dataprofessionals, analisten, ontwikkelaars en technische profielen die Data Science-projecten willen leiden, van verkenning tot evaluatie, uitrol en opvolging van modellen.
De basis uit de eerste cursussen van het leerpad kennen of over gelijkwaardige praktijkervaring beschikken.
- Een passende validatie opbouwen: holdout, kruisvalidatie, groepen, tijd en afhankelijkheden tussen waarnemingen
- Kandidaten vergelijken met een identiek protocol en documenteren waarom een eenvoudiger model de voorkeur kan hebben
- De stabiliteit van een model meten via resampling (bootstrap)
- Praktijkworkshop: een scoringexperiment uitvoeren, meerdere modelfamilies vergelijken en de eindkeuze verdedigen
- De methoden en tools uit de cursus toepassen op een representatieve beroepssituatie.
- Een bruikbaar en controleerbaar resultaat opleveren met de behandelde begrippen: een scoringexperiment uitvoeren, meerdere modelfamilies vergelijken en de eindkeuze verdedigen
- De kwaliteit van data, resultaten, bewijs of beslissingen controleren vóór presentatie of uitvoering.
- De aanpak documenteren, de beperkingen toelichten en de gemaakte keuzes verdedigen tegenover een professionele gesprekspartner.
3 tot 5 u
29,90 € excl. btw
104,70 €
89,90 excl. btw
Besparing : 14,80 €
Feature engineering en introductie tot deep learning
Relevante datarepresentaties ontwerpen en de basis leggen voor deep learning tegenover klassieke ML.
Informatie over de opleiding
Dataprofessionals, analisten, ontwikkelaars en technische profielen die Data Science-projecten willen leiden, van verkenning tot evaluatie, uitrol en opvolging van modellen.
De basis uit de eerste cursussen van het leerpad kennen of over gelijkwaardige praktijkervaring beschikken.
- Relevante variabelen ontwerpen op basis van bedrijfskennis zonder lekken te introduceren
- Een segmentatie opbouwen met K-means en de stabiliteit ervan beoordelen
- Variabelen selecteren met filter-, wrapper- en embedded methoden
- Een klein neuraal netwerk trainen met een modern framework en de convergentie diagnosticeren
- De methoden en tools uit de cursus toepassen op een representatieve beroepssituatie.
- Een bruikbaar en controleerbaar resultaat opleveren met de behandelde begrippen: een klein neuraal netwerk trainen met een modern framework en de convergentie diagnosticeren
- De kwaliteit van data, resultaten, bewijs of beslissingen controleren vóór presentatie of uitvoering.
- De aanpak documenteren, de beperkingen toelichten en de gemaakte keuzes verdedigen tegenover een professionele gesprekspartner.
3 tot 5 u
34,90 € excl. btw
Tijdreeksen en tekstdata
Tijd- en tekstdata verwerken met de methoden en validaties die erbij horen.
Informatie over de opleiding
Dataprofessionals, analisten, ontwikkelaars en technische profielen die Data Science-projecten willen leiden, van verkenning tot evaluatie, uitrol en opvolging van modellen.
De basis van het leerpad beheersen of over gelijkwaardige ervaring beschikken. De gevorderde cursussen bouwen voort op eerder behandelde methoden, tools en controles.
- Tijdreeksen analyseren: trend, seizoenspatroon, autocorrelatie en breuken
- Een voorspellingsbaseline vaststellen en eenvoudige modellen vergelijken vóór complexe modellen
- Meerdere tijdreeksen tegelijk beheren met multi-series- of hiërarchische voorspelling
- Een end-to-end-pipeline voor tekstclassificatie bouwen op een bedrijfscase
- De methoden en tools uit de cursus toepassen op een representatieve beroepssituatie.
- Een bruikbaar en controleerbaar resultaat opleveren met de behandelde begrippen: een end-to-end-pipeline voor tekstclassificatie bouwen op een bedrijfscase
- De kwaliteit van data, resultaten, bewijs of beslissingen controleren vóór presentatie of uitvoering.
- De aanpak documenteren, de beperkingen toelichten en de gemaakte keuzes verdedigen tegenover een professionele gesprekspartner.
3 tot 5 u
34,90 € excl. btw
Semantische representaties, afwijkingen en causaliteit
Embeddings en anomaliedetectie inzetten en voorspelling en causaliteit onderscheiden om een interventiebeslissing te onderbouwen.
Informatie over de opleiding
Dataprofessionals, analisten, ontwikkelaars en technische profielen die Data Science-projecten willen leiden, van verkenning tot evaluatie, uitrol en opvolging van modellen.
De basis van het leerpad beheersen of over gelijkwaardige ervaring beschikken. De gevorderde cursussen bouwen voort op eerder behandelde methoden, tools en controles.
- Embeddings begrijpen en hun nut voor gelijkenis en semantische representatie
- Een foutstrategie opbouwen: randgevallen, vals-positieven, vals-negatieven en onthouding
- Afwijkingen opsporen met een eenvoudige autoencoder
- Praktijkworkshop: segmentatie, voorspelling en tijdsanalyse combineren in een klantcase
- De methoden en tools uit de cursus toepassen op een representatieve beroepssituatie.
- Een bruikbaar en controleerbaar resultaat opleveren met de behandelde begrippen: segmentatie, voorspelling en tijdsanalyse combineren in een klantcase
- De kwaliteit van data, resultaten, bewijs of beslissingen controleren vóór presentatie of uitvoering.
- De aanpak documenteren, de beperkingen toelichten en de gemaakte keuzes verdedigen tegenover een professionele gesprekspartner.
3 tot 5 u
34,90 € excl. btw
119,70 €
101,90 excl. btw
Besparing : 17,80 €
Software-engineering en reproduceerbaarheid van ML
Een Machine Learning-project structureren in testbare, geversioneerde en traceerbare code.
Informatie over de opleiding
Dataprofessionals, analisten, ontwikkelaars en technische profielen die Data Science-projecten willen leiden, van verkenning tot evaluatie, uitrol en opvolging van modellen.
De basis van het leerpad beheersen of over gelijkwaardige ervaring beschikken. De gevorderde cursussen bouwen voort op eerder behandelde methoden, tools en controles.
- De code van een ML-project structureren in testbare en reproduceerbare modules
- Een geautomatiseerde en opnieuw uitvoerbare trainingspipeline bouwen
- Continue integratie inrichten voor een Machine Learning-project
- De code van een collega reviewen en constructieve feedback geven op een ML-pipeline
- De methoden en tools uit de cursus toepassen op een representatieve beroepssituatie.
- Een bruikbaar en controleerbaar resultaat opleveren met de behandelde begrippen: de code van een collega reviewen en constructieve feedback geven op een ML-pipeline
- De kwaliteit van data, resultaten, bewijs of beslissingen controleren vóór presentatie of uitvoering.
- De aanpak documenteren, de beperkingen toelichten en de gemaakte keuzes verdedigen tegenover een professionele gesprekspartner.
3 tot 5 u
39,90 € excl. btw
Databetrouwbaarheid, uitlegbaarheid en fairness
Verschillen tussen training en productie voorkomen, modellen uitleggen en hun fairness beoordelen.
Informatie over de opleiding
Dataprofessionals, analisten, ontwikkelaars en technische profielen die Data Science-projecten willen leiden, van verkenning tot evaluatie, uitrol en opvolging van modellen.
De basis van het leerpad beheersen of over gelijkwaardige ervaring beschikken. De gevorderde cursussen bouwen voort op eerder behandelde methoden, tools en controles.
- Schema's valideren, train-serve skew voorkomen en de rol van een feature store begrijpen
- Bias en prestaties beoordelen per relevante subpopulatie
- Lokale verklaringen van het type LIME en SHAP vergelijken op dezelfde case en de verschillen interpreteren
- Regressietests ontwerpen voor de kwaliteit en fairness van een model
- De methoden en tools uit de cursus toepassen op een representatieve beroepssituatie.
- Een bruikbaar en controleerbaar resultaat opleveren met de behandelde begrippen: regressietests ontwerpen voor de kwaliteit en fairness van een model
- De kwaliteit van data, resultaten, bewijs of beslissingen controleren vóór presentatie of uitvoering.
- De aanpak documenteren, de beperkingen toelichten en de gemaakte keuzes verdedigen tegenover een professionele gesprekspartner.
3 tot 5 u
39,90 € excl. btw
Uitrol en levenscyclus van het model
Een scoringservice uitrollen en de monitoring en levenscyclus ervan in productie verzorgen.
Informatie over de opleiding
Dataprofessionals, analisten, ontwikkelaars en technische profielen die Data Science-projecten willen leiden, van verkenning tot evaluatie, uitrol en opvolging van modellen.
De basis van het leerpad beheersen of over gelijkwaardige ervaring beschikken. De gevorderde cursussen bouwen voort op eerder behandelde methoden, tools en controles.
- Een reproduceerbare scoringservice containeriseren of verpakken
- Regels bepalen voor hertraining, rollback en validatie vóór promotie
- Bruikbare waarschuwingen opbouwen in plaats van een passief dashboard
- Praktijkworkshop: een model industrialiseren van experiment tot monitoring
- De methoden en tools uit de cursus toepassen op een representatieve beroepssituatie.
- Een bruikbaar en controleerbaar resultaat opleveren met de behandelde begrippen: een model industrialiseren van experiment tot monitoring
- De kwaliteit van data, resultaten, bewijs of beslissingen controleren vóór presentatie of uitvoering.
- De aanpak documenteren, de beperkingen toelichten en de gemaakte keuzes verdedigen tegenover een professionele gesprekspartner.
3 tot 5 u
39,90 € excl. btw
135,00 €
114,90 excl. btw
Besparing : 20,10 €
Strategische afbakening en bedrijfswaarde
Beslissen of een probleem Machine Learning rechtvaardigt en de bedrijfswaarde van een Data Science-product opbouwen.
Informatie over de opleiding
Dataprofessionals, analisten, ontwikkelaars en technische profielen die Data Science-projecten willen leiden, van verkenning tot evaluatie, uitrol en opvolging van modellen.
De basis van het leerpad beheersen of over gelijkwaardige ervaring beschikken. De gevorderde cursussen bouwen voort op eerder behandelde methoden, tools en controles.
- Bepalen of een probleem echt Machine Learning rechtvaardigt
- Kiezen tussen volledige automatisering, ondersteunde aanbeveling en human-in-the-loop
- De totale eigendomskosten van een Machine Learning-product schatten
- Faalscenario's van een ML-project en de gevolgen ervan anticiperen
- De methoden en tools uit de cursus toepassen op een representatieve beroepssituatie.
- Een bruikbaar en controleerbaar resultaat opleveren met de behandelde begrippen: faalscenario's van een ML-project en de gevolgen ervan anticiperen
- De kwaliteit van data, resultaten, bewijs of beslissingen controleren vóór presentatie of uitvoering.
- De aanpak documenteren, de beperkingen toelichten en de gemaakte keuzes verdedigen tegenover een professionele gesprekspartner.
3 tot 5 u
45,00 € excl. btw
Governance, ethiek en documentatie
Data en modellen besturen, ethische risico's kaderen en compliance, beperkingen en toegestaan gebruik documenteren.
Informatie over de opleiding
Dataprofessionals, analisten, ontwikkelaars en technische profielen die Data Science-projecten willen leiden, van verkenning tot evaluatie, uitrol en opvolging van modellen.
De basis van het leerpad beheersen of over gelijkwaardige ervaring beschikken. De gevorderde cursussen bouwen voort op eerder behandelde methoden, tools en controles.
- Een protocol opbouwen voor experimenten in productie en vergelijking met de huidige situatie
- Een model documenteren: scope, data, prestaties, beperkingen, verboden gebruik en afhankelijkheden
- Gevoelige data anonimiseren of pseudonimiseren zonder de voorspellende waarde te vernietigen
- Een charter voor verantwoord AI-gebruik schrijven voor een Data Science-team
- De methoden en tools uit de cursus toepassen op een representatieve beroepssituatie.
- Een bruikbaar en controleerbaar resultaat opleveren met de behandelde begrippen: een charter voor verantwoord AI-gebruik schrijven voor een Data Science-team
- De kwaliteit van data, resultaten, bewijs of beslissingen controleren vóór presentatie of uitvoering.
- De aanpak documenteren, de beperkingen toelichten en de gemaakte keuzes verdedigen tegenover een professionele gesprekspartner.
3 tot 5 u
45,00 € excl. btw
Continuïteit, generatieve AI en presentatie
De continuïteit van een ML-product waarborgen, foundationmodellen weloverwogen integreren en het werk presenteren.
Informatie over de opleiding
Dataprofessionals, analisten, ontwikkelaars en technische profielen die Data Science-projecten willen leiden, van verkenning tot evaluatie, uitrol en opvolging van modellen.
De basis van het leerpad beheersen of over gelijkwaardige ervaring beschikken. De gevorderde cursussen bouwen voort op eerder behandelde methoden, tools en controles.
- Een continuïteitsplan ontwerpen: modelfalen, fallback, stopzetting en herstart
- Een ML-projectportfolio opbouwen met bewijs van methode, evaluatie en impact
- Het gebruik van een foundationmodel beveiligen tegen promptinjecties en datalekken
- Eindproject: een volledig ML-product ontwerpen, opleveren en verdedigen met een dossier voor ingebruikname
- De methoden en tools uit de cursus toepassen op een representatieve beroepssituatie.
- Een bruikbaar en controleerbaar resultaat opleveren met de behandelde begrippen: een volledig ML-product ontwerpen, opleveren en verdedigen met een dossier voor ingebruikname
- De kwaliteit van data, resultaten, bewijs of beslissingen controleren vóór presentatie of uitvoering.
- De aanpak documenteren, de beperkingen toelichten en de gemaakte keuzes verdedigen tegenover een professionele gesprekspartner.
3 tot 5 u
45,00 € excl. btw