We beginnen de cursus met een definitie van data science. We behandelen de data science-workflow en hoe data science wordt toegepast op problemen uit de praktijk. We sluiten het hoofdstuk af met een overzicht van verschillende rollen binnen het data science-veld.

Wat is data science?

Data science overal!

Belang van data science

Toepassingen van data science

Dagelijkse dosis data science

De wetenschap achter slimme assistenten

Rollen en tools in data science

De juiste kandidaat kiezen

De rol van een data scientist

Inleiding tot Data Science

Nu we de data science-workflow begrijpen, duiken we dieper in de eerste stap: dataverzameling en -opslag. We leren over de verschillende databronnen waar je uit kunt putten, hoe die data eruitziet, hoe je de data opslaat zodra die is verzameld, en hoe een datapijplijn het proces kan automatiseren.

Gegevensbronnen

Gegevensbronnen sorteren

Astma-frequentie

Datatypen

Gegevenstypen classificeren

Net promoter score

Activity tracker

Gegevensopslag en -opvraging

Cloudplatforms

Een database bevragen

Welk type database?

Datapijplijnen

Kenmerken van een datapijplijn

Extract Transform Load

Dataverzameling en -opslag

Datavoorbereiding is essentieel: data scientists besteden 80% van hun tijd aan het opschonen en bewerken van data, en slechts 20% aan het daadwerkelijk analyseren ervan. In dit hoofdstuk leer je problemen in je data herkennen en omgaan met missende waarden en uitschieters. Daarna ga je aan de slag met visualisatie, een onmisbaar hulpmiddel om je data te verkennen én je bevindingen duidelijk over te brengen.

Datavoorbereiding

The truth is out there

Taken

Onwaar

Waar

Ben je voorbereid?

Verkennende data-analyse

Numerieke EDA

Visuele EDA

Visualisatie

Interactieve dashboards

Een dashboard verbeteren

Voorbereiden, verkennen en visualiseren

In dit laatste hoofdstuk bespreken we experimenteren en voorspellen! We beginnen met experimenten en behandelen A/B-testen. Daarna gaan we naar tijdreeksvoorspellingen, waar we leren hoe je toekomstige gebeurtenissen kunt voorspellen. Tot slot eindigen we met Machine Learning en kijken we naar supervised learning en clustering.

A/B-testen

Een A/B-testworkflow opzetten

Statistische significantie

Tussenresultaten

Voorspellen met tijdreeksen

Tijdreeksgegevens classificeren

Interpreteer een tijdreeksgrafiek

Supervised machine learning

Wanneer gebruik je supervised learning

Features en labels

Modelbeoordeling

Clustering

Supervised vs. Unsupervised

Juiste clusteraantal kiezen

Gefeliciteerd!

Experimenteren en voorspellen

Course Glossary

Wat is data science, waarom is het zo populair, en waarom noemde de Harvard Business Review het de 'meest sexy baan van de 21e eeuw'? In deze niet-technische cursus maak je kennis met alles wat je altijd al wilde weten over dit snelgroeiende en spannende vakgebied, zonder dat je ook maar één regel code hoeft te schrijven. Met praktische oefeningen leer je over de verschillende rollen van data scientists, basisonderwerpen zoals A/B-testen, tijdreeksanalyse en Machine Learning, en hoe data scientists kennis en inzichten halen uit data uit de echte wereld. Laat je dus niet afschrikken door de buzzwords. Ga aan de slag, bouw vaardigheden op in dit enorm gewilde vakgebied en ontdek waarom data science voor iedereen is!

De video's bevatten live-transcripten die je kunt vinden door linksonder de video's op 'Transcript weergeven' te klikken.

De begrippenlijst van de cursus vind je rechts in het gedeelte 'Resources'.

Om CPE-punten te behalen, moet je de cursus afronden en een score van 70% halen voor de gekwalificeerde toets. Ga naar de beoordeling door op de knop onder CPE-punten aan de rechterkant te klikken.

Ontdek data science, waarom het populair is en leer het met oefeningen. Geen code nodig in deze cursus.

Data Science begrijpen

Understanding Data Topics

Data is vaak meteen klaar om te analyseren.

Opgeruimde data betekent dat de features in rijen staan en de observaties in kolommen.

Onvoorbereide data kan leiden tot fouten, bevooroordeelde algoritmen en onjuiste resultaten.

Duplicaten verwijderen, datatypes controleren, ontbrekende waarden afhandelen en zorgen dat waarden hetzelfde meetsysteem gebruiken, zijn onderdeel van datavoorbereiding.

Ontbrekende waarden zijn lastig, maar er zijn meerdere manieren om ermee om te gaan.

Ben je voorbereid?

Data Science begrijpen

Praktische interactieve oefening