Complete 3-daagse opleiding Big Data: procesverbeteringen, vernieuwing en innovatie

Je leert tijdens de eerste dag van deze Big Data training precies wat Big Data is en nog belangrijker wat het niét is. Je maakt kennis met de karakteristieken van Big Data, Artificial Intelligence, data science, Business Intelligence en machine learning. Concreet leer je hoe je de waarde die big data heeft voor jouw organisatie kunt bepalen en verzilveren.

• Big Data, hypes en de datagedreven organisatie: wat is de hype en wat is de realiteit en wat zijn voorbeelden van succesvolle implementaties? Wat zijn de kenmerken van een datagedreven organisatie en welke plek heeft Big Data science & AI hierin?
• Definities Big Data & AI: wat zijn de vier kenmerken van Big Data? En wat betekent dat inzicht voor jouw project? En voor de in te zetten tools en mensen? Wat is machine learning, data science en AI (definities) en waarin verschillen deze van reguliere Business Intelligence?
• Positionering & kennis: hoe kun je Big Data Analytics & Data Science het beste binnen jouw organisatie positioneren? Welke statistische kennis heb je nodig voor jouw project? De juiste statistiek toepassen is immers cruciaal.
• De belangrijkste Big Data & AI trends: de docent presenteert de belangrijkste trends voor Big Data & artificial intelligence zoals quantum computing, generatieve AI, ChatGPT, deep learning en Auto Machine Learning (Auto ML). Met name ChatGPT heeft recent een hoge vlucht genomen. De docent zal in ieder geval alle genoemde trends duiden.

Ontwikkel een Big Data & AI-first strategie

Het gros van de organisaties blijft steken in het maken van rapporten, dashboards en experimenteert met machine learning, maar vergeet een AI-first strategie te bedenken en te implementeren. In dit onderdeel leer je de belangrijkste aspecten van een Big Data & AI-strategie.

De businesscase van Big Data, AI, machine learning en het projectmanagement

Er is heel veel geld gemoeid met Big Data-gerelateerde initiatieven zoals AI, machine learning, Big Data tools en Big Data analytics. De totale wereldwijde markt voor big data analytics wordt door Statista geschat op meer dan 650 miljard USD in 2029. Maar ook de opbrengsten kunnen gigantisch zijn, zoals blijkt uit het succes van bijvoorbeeld House of Cards (Netflix). De docent presenteert ook vele andere best practices waar je van kunt leren.

• Integraal denken & businesscase: wat is de relatie tussen Big Data, Analytics en innovatie en procesverbetering? Uit welke onderdelen dient de businesscase te bestaan? Hoe ga je om met experimenten en proeftuinen?
• Overtuigen van nut en noodzaak: hoe overtuig je de directie, het management en andere stakeholders van het nut en de noodzaak van Big Data en AI? Wat voor leiderschap heb je daarvoor nodig in jouw organisatie?
• Stappen en valkuilen: hoe hebben andere organisaties dit soort projecten aangepakt en wat valt hieruit te leren? Welke stappen moet je zetten in jouw Big Data-project en welke risico’s en valkuilen moet je onderkennen bij het ontwikkelen en in productie nemen van algoritmes?

Hoe bouw je een heldere Big Data-architectuur?

Met Big Data gaat het om grote hoeveelheden (ongestructureerde) data die niet meer passen in een datawarehouse. In deze Big Data cursus leer je hoe je een architectuur duurzaam inricht en laat aansluiten op bestaande architecturen. Hoe verhoudt een Big Data architectuur zich tot klassieke BI en DWH architectuur? Hoe laat je de AI tools aansluiten op je bestaande architectuur en infrastructuur.

• Big Data architectuur: wat is de impact van Big Data op de IT- en BI-architectuur? En hoe laat je Big Data-stromen aansluiten op bestaande architecturen? Hoe om te gaan met een al bestaand datawarehouse?
• Referentie-architectuur voor Data Science: de docent toont een referentie-architectuur voor Data Science & Big Data en neemt je mee in de belangrijkste principes die daarin een plek hebben.
• Nieuwe ontwikkelingen & tools: welke devices, tools en platforms zijn er om Big Data te genereren, op te slaan en te analyseren? Denk aan Hadoop, NoSQL, (hybrid) cloud, Docker containers, automated machine learning, gespecialiseerde hardware (zoals GPU’s), SPARK, Hadoop en REST APIs.

Het Big Data proces, de algoritmes, tools en technieken moeten naadloos aansluiten op het specifieke organisatievraagstuk. Maar hoe maak je de juiste keuze? Dat is van cruciaal belang. Tijdens de tweede dag van deze Big Data training neem je ook een duik in de techniek zonder dat het al te technisch wordt. Verschillende statistische modellen, algoritmes en machine learning-technieken passeren de revue zoals image processing, neurale netwerken en tekstmining. Maar we beginnen de dag met het proces.

Big Data proces

Waar houdt een data scientist zich mee bezig en uit welke stappen bestaat het big data science proces. Welke rol speelt machine learning hierin en hoe kun je de stappen implementeren in jouw organisatie?

• Van data tot voorspelling: wat zijn de stappen van het big data proces en welke bijdrage leveren machine learning en AI hieraan?
• Team data science: wie speelt welke rol in het data science proces, bij de opzet van Big Data lakes en welke competenties zijn er nodig?
• Inbedding in de organisatie: waar beleg je de functie big data analytics & data science in de organisatie?

Welke Big Data algoritmes kun je allemaal gebruiken?

Algoritmes zijn essentiële bouwstenen voor big data en machine learning. Wat zijn algoritmes en welke soorten zijn er zoal en wat kun je hiermee?

• Betekenis Big Data algoritmes: wat is een big data algoritme en wat heb je nodig om er een te maken?
• De verschillende type algoritmes: welke algoritmes zijn beschikbaar en welke past het beste bij jouw specifieke vraagstuk? De docent geeft je inzicht in de verschillende typen algoritmes zoals classificatie, regressie, clusteren, beslisbomen en neurale netwerken, et cetera.
• Supervised, unsupervised learning en reinforcement learning: tijdens dit onderdeel ga je deze AI-begrippen begrijpen en je leert hoe je ze in welke situatie het beste kunt toepassen.
• Wat is deep learning: wat is deep learning, op welke manier kun je het toepassen, hoe ga je een deep learning model opbouwen en wat komt daar allemaal bij kijken?
• Hoe ga je algoritmes valideren: hoe meet je de performance van een machine learning model en hoe voorkom je dat deze uit balans raken (model drifting) en hoe houd je controle over overfitting en underfitting.

Big Data tools en technieken

In deze module van de Big Data training ga je aan de slag met diverse big data tools die in de praktijk door data scientists gebruikt worden. De docent geeft een overzicht van de tools die veel gebruikt worden:

• Open source Big Data tools: welke tools zijn in het open source domain beschikbaar? Hier geeft de docent je een overzicht van veel gebruikte open source oplossingen zoals bijvoorbeeld Python, R, Julia, Scikit-learn, Pandas en SCALA.
• Commerciële tools: de docent geeft een overzicht van de meest gebruikte commerciële tools. Denk aan Rapidminer, SAS, IBM, Cloud Pak for Data, IBM SPSS, Modeler, Dataiku, et cetera.
• Toolselectie en aanschaf: waar moet je op letten bij de aanschaf van dergelijke tools? Kunnen ze echt allemaal omgaan met grote hoeveelheden big data of (on)gestructureerde data zoals foto’s, video’s en e-mails? Of beloven sommige leveranciers te veel?
• Integratie: hoe kun je de diverse Big Data & AI tools ‘aan elkaar knopen’ zodat eindgebruikers zonder moeite gebruik kunnen maken van de uitkomsten van algoritmes of zelf Auto Machine learning kunnen activeren?

De laatste dag van onze Big Data training staat in het teken van succesvolle Big Data toepassingen, een workshop machine learning, de vaardigheden en competenties van Big Data Scientists en tot slot de ethische en juridische kant van Big Data & het gebruik van algoritmes.

Big Data-toepassingen

De overvloed aan data stelt je voor een aantal complexe uitdagingen. Wat kan en moet je er mee? Hoe voorkom je de informatieoverbelasting die altijd op de loer ligt? Hoe kun je de juiste, meest rendabele en meest praktische toepassingen bedenken en implementeren? Dit en nog veel meer over Big Data-toepassingen leer je allemaal tijdens onze praktische Big Data analytics opleiding.

• Best practices: wat valt er te leren van aansprekende cases als: City of Dublin, Provincie Zuid-Holland, Social Analytics bij KLM, en de Politie en de Brandweer A’dam-Amstelland (Dutch BI & Data Science Award)
• Succesfactoren: welke succes- en faalfactoren speelden daarbij een rol? Wat zijn je eigen ervaringen met Big Data & AI en wat valt daaruit te leren?

Workshop Big Data & machine learning model ontwikkelen

In deze Big Data workshop leer je hoe je een (eenvoudig) machine learning model kunt bouwen. Je gaat aan de slag met het importeren van data, Exploratory Data Analysis (EDA), data opschonen en bewerken, het opbouwen van een training- en testdataset, het trainen van het algoritme, visualiseren en het valideren van het Big Data model.

Vaardigheden, kennis en competenties

Data Science is een professioneel vakgebied aan het worden en ook op het vlak van de vaardigheden en de competenties komt er in hoog tempo nieuwe kennis beschikbaar. Hoe houd je dat in de gaten en hoe houd je daar grip op? En hoe breng je jouw Big Data of data science team naar een hoger niveau?

• Persoonlijke vaardigheden: wat zijn de drie meest genoemde vaardigheden van een data scientist en hoe valideer je iemand zijn vaardigheden? Hoe om te gaan met het tekort aan big data scientists?
• Teamvaardigheden: welke vaardigheden (soft & hard skills) zijn nodig in een succesvol Big Data analytics-team? Hoe bouw je verder aan een succesvol team dat jouw organisatie klaarstoomt voor een nieuwe fase van ontwikkeling? Welke Big Data-rollen en competenties kun je dan daarbij onderkennen?
• Beheer van modellen: effectieve machine learning modellen neem je natuurlijk in productie maar moet je ook gaan beheren. Hoe ga je het beheer ervan organiseren en op welke manier beleg je de taken in de organisatie?

Ethiek, privacy en wet- en regelgeving

Met het verzamelen en koppelen van (grote hoeveelheden) data kom je automatisch voor belangrijke ethische en juridische vraagstukken te staan. Big Data Science praktiseren zonder in te gaan op ethiek en privacy is tegenwoordig uitgesloten. De docent neemt je mee in de meest gebruikte frameworks, en kaders, de van toepassing zijnde wet- en regelgeving en presenteert tot slot een aantal technieken om de privacy van personen grondig te beschermen zonder dat dit grote consequenties heeft voor de businesscase.

• Kaders en frameworks: welke ethische kaders en principes zijn van belang om een klimaat te scheppen waarbinnen mensen de juiste beslissingen nemen; welke data mag je juist wel gebruiken en welke absoluut niet?
• Wet- en regelgeving: wat zegt de relevante wet- en regelgeving, zoals de AVG en de aanstaande Europese AI Act, hierover? Hoe daar mee om te gaan? Hoe speel je in op de publieke opinie en hoe voorkom je eventuele imagoschade?
• Technieken en privacyoplossingen: welke creatieve methoden en technieken zijn voorhanden om toch over de data te kunnen beschikken zonder de privacy te schenden? Denk dan onder andere aan het anonimiseren en pseudonimiseren van persoonsgegevens.