HBO Praktijkcursus – Werken met AI

Je past AI toe in je werk, van data-analyse tot projectmanagement en ethische afwegingen.

1. 1 Introductie en basisprincipes van Artificial Intelligence Je onderzoekt de fundamenten, mogelijkheden en impact van AI op werk en samenleving.
   10 lessen

   1. Definitie en historie van AIJe beschrijft de ontwikkeling van AI en de belangrijkste mijlpalen.
   2. Verschillende typen AI (smalle, algemene AI)Je vergelijkt verschillende typen AI en hun toepassingsgebieden.
   3. Machine learning en deep learning basicsJe herkent basisbegrippen van machine learning en deep learning.
   4. Toepassingen van AI in verschillende sectorenJe identificeert waar AI wordt toegepast in uiteenlopende sectoren.
   5. Data als brandstof voor AIJe benoemt het belang van data voor AI-systemen.
   6. Begrippen: algoritmes, modellen, training, testenJe legt uit wat algoritmes, modellen, training en testen betekenen.
   7. Verschil tussen AI, data science en automatiseringJe onderscheidt AI van data science en automatisering.
   8. Mogelijkheden en beperkingen van AIJe benoemt wat AI wel en niet kan.
   9. Trends en ontwikkelingen in AIJe signaleert actuele trends en ontwikkelingen in AI.
   10. Ethische en maatschappelijke impact van AIJe bespreekt de ethische en maatschappelijke gevolgen van AI.
2. 2 Data management en voorbereiding voor AI Je leert hoe je data selecteert, verwerkt en beheert voor gebruik in AI-toepassingen.
   10 lessen

   1. Soorten data (gestructureerd, ongestructureerd)Je onderscheidt gestructureerde en ongestructureerde data.
   2. Datakwaliteit en datacleaningJe beoordeelt de kwaliteit van data en voert datacleaning uit.
   3. Data-etikettering en annotatieJe labelt data en past annotatie toe voor AI-training.
   4. Data-analyse en visualisatieJe analyseert en visualiseert data voor inzicht.
   5. Gebruik van databases en datawarehousesJe gebruikt databases en datawarehouses voor opslag en verwerking.
   6. Privacy en AVG (GDPR) in dataverwerkingJe past privacyregels toe bij dataverwerking.
   7. Data governance en data-eigendomJe benoemt hoe data governance en eigendom geregeld zijn.
   8. Dataverzamelingstechnieken (sensoren, web scraping)Je past technieken toe om data te verzamelen uit verschillende bronnen.
   9. Big data concepten en toolsJe herkent big data concepten en tools.
   10. Data-integratie en interoperabiliteitJe integreert data uit verschillende systemen en waarborgt uitwisselbaarheid.
3. 3 Machine learning en modelontwikkeling Je ontwikkelt en evalueert machine learning-modellen voor praktische toepassingen.
   10 lessen

   1. Overzicht van supervised, unsupervised en reinforcement learningJe vergelijkt supervised, unsupervised en reinforcement learning.
   2. Klassieke algoritmes (decision trees, regressie)Je past klassieke algoritmes toe zoals decision trees en regressie.
   3. Neurale netwerken en deep learning principesJe legt de werking van neurale netwerken en deep learning uit.
   4. Modeltraining en validatieJe traint en valideert een model met data.
   5. Overfitting en underfittingJe herkent en voorkomt overfitting en underfitting.
   6. Hyperparameter tuningJe past hyperparameter tuning toe om modellen te verbeteren.
   7. Evaluatiemethoden (accuracy, precision, recall)Je gebruikt evaluatiemethoden zoals accuracy en recall.
   8. Tools en frameworks (zoals TensorFlow, Scikit-learn)Je maakt kennis met tools en frameworks voor AI-ontwikkeling.
   9. Model interpretatie en uitleg (explainable AI)Je interpreteert modeluitkomsten en licht deze toe.
   10. Deployment van AI-modellenJe zet een AI-model over naar productie en monitort de werking.
4. 4 AI toepassingen in organisaties Je past AI toe op processen, besluitvorming en samenwerking binnen organisaties.
   10 lessen

   1. Procesautomatisering (RPA)Je automatiseert processen met behulp van RPA.
   2. Chatbots en virtuele assistentenJe ontwikkelt en gebruikt chatbots en virtuele assistenten.
   3. Predictive analytics voor besluitvormingJe past voorspellende analyses toe voor beslissingen.
   4. Beeld- en spraakherkenningJe herkent toepassingen van beeld- en spraakherkenning.
   5. AI in marketing en klantenserviceJe zet AI in voor marketing en klantenservice.
   6. Slimme productontwikkelingJe stimuleert slimme productontwikkeling met AI.
   7. AI in logistiek en supply chainJe verbetert logistiek en supply chain met AI-oplossingen.
   8. Risicomanagement met AIJe gebruikt AI voor risicomanagement.
   9. Human-AI samenwerkingJe werkt samen met AI-systemen en mensen.
   10. Evalueren en implementeren van AI-projectenJe beoordeelt en implementeert AI-projecten in de praktijk.
5. 5 Ethiek, wetgeving en maatschappelijke aspecten van AI Je onderzoekt ethische, juridische en maatschappelijke vraagstukken rond AI-gebruik.
   10 lessen

   1. Ethische principes en dilemma’s in AIJe analyseert ethische dilemma’s bij AI-toepassingen.
   2. Transparantie en verantwoordelijkheidJe benoemt het belang van transparantie en verantwoordelijkheid.
   3. Privacy en data protectionJe past privacy- en dataprotectie toe in AI-projecten.
   4. Bias en discriminatie in AI-systemenJe signaleert bias en discriminatie in AI-systemen.
   5. AI en werkgelegenheidJe bespreekt de invloed van AI op werkgelegenheid.
   6. Regelgeving en compliance (bijv. Europese AI Act)Je herkent relevante wet- en regelgeving voor AI.
   7. Maatschappelijke acceptatie van AIJe beoordeelt de maatschappelijke acceptatie van AI.
   8. Vertrouwen in AI-systemenJe versterkt vertrouwen in AI-systemen.
   9. Rol van de mens in toezicht op AIJe licht de rol van menselijk toezicht op AI toe.
   10. Toekomstscenario’s en AI-governanceJe denkt na over toekomstige scenario’s en AI-governance.
6. 6 Projectmanagement voor AI-implementaties Je begeleidt AI-projecten van start tot evaluatie en borgt kwaliteit en samenwerking.
   10 lessen

   1. Projectlevenscyclus in AI-projectenJe beschrijft de fasen van een AI-project.
   2. StakeholdermanagementJe betrekt stakeholders en beheert hun verwachtingen.
   3. Risicoanalyse en mitigatieJe voert risicoanalyses uit en stelt mitigerende maatregelen op.
   4. Agile methodieken en AI-ontwikkelingJe past agile methoden toe bij AI-ontwikkeling.
   5. Resource planning (mens, data, techniek)Je plant resources voor mensen, data en techniek.
   6. Kwaliteitsbewaking en testenJe bewaakt de kwaliteit en test AI-oplossingen.
   7. Budgettering en business case opstellenJe stelt een budget en business case op voor AI-projecten.
   8. Communicatie en rapportageJe communiceert en rapporteert over projectvoortgang.
   9. Change management bij AI-implementatieJe begeleidt veranderingen bij de invoering van AI.
   10. Evaluatie en borging van resultatenJe evalueert en borgt de resultaten van een AI-project.
7. 7 Communicatie en samenwerking in AI-projecten Je communiceert effectief over AI en werkt samen in multidisciplinaire teams.
   10 lessen

   1. Technische en niet-technische communicatieJe wisselt informatie uit met technische en niet-technische collega’s.
   2. Vertalen van AI-techniek naar business taalJe vertaalt AI-techniek naar begrijpelijke taal voor de organisatie.
   3. Interdisciplinair teamworkJe werkt samen met collega’s uit verschillende disciplines.
   4. Stakeholder engagement en verwachtingen managenJe beheert verwachtingen van stakeholders.
   5. Presentatietechnieken voor AI-resultatenJe presenteert AI-resultaten aan diverse doelgroepen.
   6. Documentatie en kennisdelingJe documenteert projecten en deelt kennis.
   7. Feedbackprocessen en iteratieJe vraagt en verwerkt feedback in projecten.
   8. Cultuurverandering en adoptieJe stimuleert cultuurverandering en adoptie van AI.
   9. Training en begeleiding van gebruikersJe traint en begeleidt gebruikers van AI-oplossingen.
   10. Conflictmanagement in projectenJe lost conflicten op binnen AI-projecten.
8. 8 AI en innovatie Je stimuleert innovatie met AI en onderzoekt hoe je nieuwe technologieën implementeert.
   10 lessen

   1. Innovatietheorieën en AIJe past innovatietheorieën toe op AI-projecten.
   2. Identificeren van kansen voor AI-innovatieJe signaleert kansen voor AI-innovatie in je werk.
   3. Design thinking toegepast op AIJe gebruikt design thinking voor AI-oplossingen.
   4. Prototyping en proof of conceptJe ontwikkelt prototypes en proof of concept.
   5. Implementeren van nieuwe AI-technologieënJe implementeert nieuwe AI-technologieën in de praktijk.
   6. IP-rechten en AI innovatiesJe benoemt IP-rechten bij AI-innovaties.
   7. Samenwerking met startups en techpartnersJe werkt samen met startups en technologische partners.
   8. Financieren van AI-innovatiesJe onderzoekt financieringsmogelijkheden voor AI-innovaties.
   9. Schaalbaarheid en opschaling van AI-oplossingenJe beoordeelt de schaalbaarheid van AI-oplossingen.
   10. Monitoring en continue verbeteringJe monitort en verbetert AI-oplossingen continu.
9. 9 Technische vaardigheden en tools Je ontwikkelt technische vaardigheden voor het werken met AI-tools en programmeertalen.
   10 lessen

   1. Programmeerconcepten (Python, R)Je past basis programmeerconcepten toe in Python of R.
   2. Data-analyse tools (Excel, Power BI)Je analyseert data met tools als Excel en Power BI.
   3. AI-frameworks (TensorFlow, PyTorch)Je gebruikt AI-frameworks zoals TensorFlow en PyTorch.
   4. Cloud platforms voor AI (AWS, Azure)Je werkt met cloud platforms voor AI-toepassingen.
   5. API’s en integratiesJe integreert AI via API’s en koppelingen.
   6. Versiebeheer (Git)Je beheert versies van code met Git.
   7. Experiment tracking en reproducibilityJe houdt experimenten bij en zorgt voor reproduceerbaarheid.
   8. Basis van cybersecurity voor AIJe past basisprincipes van cybersecurity toe op AI-projecten.
   9. Automatiseringstools en pipelinesJe automatiseert processen met pipelines en tools.
   10. Open source AI-communitiesJe neemt deel aan open source AI-communities.
10. 10 Praktijkgericht onderzoek en innovatie met AI Je voert praktijkgericht onderzoek uit naar AI en presenteert resultaten en aanbevelingen.
    10 lessen

    1. Onderzoeksvragen formuleren binnen AIJe formuleert relevante onderzoeksvragen binnen AI.
    2. Literatuurstudie en bronnenonderzoekJe voert literatuurstudie en bronnenonderzoek uit.
    3. Methoden voor dataverzamelingJe kiest en past methoden voor dataverzameling toe.
    4. Data-analyse techniekenJe voert data-analyse uit voor onderzoeksvragen.
    5. Experimenten opzetten en uitvoerenJe zet experimenten op en voert deze uit.
    6. Resultaatinterpretatie en conclusies trekkenJe interpreteert onderzoeksresultaten en trekt conclusies.
    7. Rapporteren en presenteren van onderzoeksresultatenJe rapporteert en presenteert onderzoeksresultaten.
    8. Implementatievoorstellen doenJe doet voorstellen voor implementatie van AI-oplossingen.
    9. Ethische reflectie in onderzoekJe reflecteert op ethische aspecten in onderzoek.
    10. Reflectie en zelfevaluatieJe evalueert je eigen leerproces en onderzoeksaanpak.