HBO Praktijkcursus – Data-analyse

Je past data-analyse toe van dataverzameling tot rapportage, met aandacht voor statistiek, visualisatie en modelvalidatie.

1. 1 Inleiding data-analyse Je verkent wat data-analyse inhoudt, waar je het toepast en welke begrippen en methoden daarbij horen.
   10 lessen

   1. Definitie en belang van data-analyseJe onderzoekt wat data-analyse betekent en waarom organisaties ermee werken.
   2. Typen data: kwalitatief vs kwantitatiefJe vergelijkt kwalitatieve en kwantitatieve data en herkent het verschil in toepassingen.
   3. Verschil tussen data, informatie en kennisJe onderscheidt data, informatie en kennis in verschillende contexten.
   4. Toepassingsgebieden van data-analyseJe benoemt waar data-analyse wordt ingezet, bijvoorbeeld in bedrijfsleven en wetenschap.
   5. Overzicht van data-analysemethodenJe krijgt inzicht in verschillende methoden om data te analyseren.
   6. Rol van data-analyse in besluitvormingJe beschrijft hoe data-analyse het besluitvormingsproces ondersteunt.
   7. Ethische aspecten van data-analyseJe bespreekt ethische aandachtspunten bij het analyseren van data.
   8. Basisbegrippen: variabelen, datasets, observatiesJe benoemt basisbegrippen zoals variabelen, datasets en observaties.
   9. Data-analyseproces: van verzamelen tot rapporterenJe volgt het proces van dataverzameling tot rapportage van resultaten.
   10. Softwaretools en programmeertalen (introductie)Je maakt kennis met softwaretools en programmeertalen voor data-analyse.
2. 2 Data verzamelen en opschonen Je verzamelt data, beoordeelt de kwaliteit en past technieken toe om data bruikbaar te maken voor analyse.
   10 lessen

   1. Methoden voor dataverzameling (surveys, sensors, databases)Je vergelijkt manieren om data te verzamelen, zoals surveys, sensoren en databases.
   2. Kwaliteitscriteria voor dataJe beoordeelt data op kwaliteit met behulp van relevante criteria.
   3. Omgaan met ontbrekende waardenJe gaat om met ontbrekende waarden in datasets.
   4. Detectie en correctie van fouten in dataJe spoort fouten in data op en corrigeert deze waar mogelijk.
   5. Normaliseren en standaardiseren van dataJe past normalisatie en standaardisatie toe op data.
   6. Identificeren van outliers en onregelmatighedenJe identificeert uitschieters en onregelmatigheden in datasets.
   7. Data transformatie en coderingJe transformeert en codeert data voor analyse.
   8. Automatiseren van data cleaningJe automatiseert stappen in het opschonen van data.
   9. Documenteren van datavoorbereidingJe legt vast hoe je data hebt voorbereid en verwerkt.
   10. Privacy en wetgeving bij dataverzamelingJe herkent privacyvraagstukken en relevante wetgeving bij dataverzameling.
3. 3 Statistische basisprincipes Je past statistische basisprincipes toe om data te beschrijven, te analyseren en te interpreteren.
   10 lessen

   1. Beschrijvende statistiek: gemiddelden, mediaan, modusJe berekent gemiddelden, mediaan en modus in datasets.
   2. Spreidingsmaten: variantie, standaarddeviatie, interkwartielafstandJe bepaalt spreidingsmaten zoals variantie en standaarddeviatie.
   3. Kansbegrippen en kansverdelingenJe past kansbegrippen en kansverdelingen toe op data.
   4. Hypothesetoetsen en significantieJe voert hypothesetoetsen uit en beoordeelt significantie.
   5. BetrouwbaarheidsintervallenJe stelt betrouwbaarheidsintervallen vast.
   6. Correlatie en covariantieJe onderzoekt samenhang tussen variabelen met correlatie en covariantie.
   7. Steekproefconcepten en representativiteitJe past steekproefconcepten toe en beoordeelt representativiteit.
   8. Basisbegrippen van populatie en steekproefJe legt uit wat populatie en steekproef betekenen.
   9. Soorten fouten (type I en type II)Je herkent en verklaart type I- en type II-fouten.
   10. Toepassing van statistiek in data-analyseJe past statistiek toe binnen het data-analyseproces.
4. 4 Data visualisatie Je kiest passende visualisaties en maakt grafieken om data en analyses helder te presenteren.
   10 lessen

   1. Doelen en principes van visualisatieJe bepaalt het doel van visualisatie en hanteert basisprincipes.
   2. Grafiektypen: histogrammen, boxplots, scatterplotsJe maakt verschillende grafiektypen zoals histogrammen en scatterplots.
   3. Keuze van juiste visualisatie per datatypesJe kiest de juiste visualisatie op basis van datatype en doel.
   4. Gebruik van kleuren en labelsJe past kleuren en labels toe voor duidelijke grafieken.
   5. Interactieve dashboards ontwerpenJe ontwerpt interactieve dashboards voor dataweergave.
   6. Tools voor visualisatie (Excel, Power BI, Tableau)Je werkt met tools als Excel, Power BI en Tableau voor visualisatie.
   7. Visualisatie van tijdreeksen en trendsJe visualiseert tijdreeksen en trends in data.
   8. Communiceren van bevindingen met visualsJe communiceert bevindingen effectief met visuals.
   9. Voorkomen van misleidende grafiekenJe voorkomt misleiding door grafieken juist te ontwerpen.
   10. Visualisatie van multivariate dataJe visualiseert data met meerdere variabelen tegelijk.
5. 5 Exploratieve data-analyse (EDA) Je onderzoekt data op patronen, relaties en afwijkingen met behulp van exploratieve technieken.
   10 lessen

   1. Identificeren van patronen en trendsJe signaleert patronen en trends in datasets.
   2. Gebruik van statistische samenvattingenJe gebruikt statistische samenvattingen om data te verkennen.
   3. Detecteren van anomalieënJe spoort afwijkingen en anomalieën op in data.
   4. Relaties tussen variabelen onderzoekenJe onderzoekt relaties tussen verschillende variabelen.
   5. Toepassen van data slicing en dicingJe past slicing en dicing toe om data te analyseren.
   6. Gebruik van pivot-tabellenJe gebruikt pivot-tabellen voor overzicht en analyse.
   7. Data clustering en segmentatie (basis)Je voert eenvoudige clustering en segmentatie uit.
   8. Visualisatietechnieken voor EDAJe zet visualisatietechnieken in bij exploratie van data.
   9. Interpretatie van bevindingenJe interpreteert de uitkomsten van je analyses.
   10. Formuleren van hypotheses voor vervolgonderzoekJe formuleert hypotheses voor vervolgonderzoek.
6. 6 Toepassing van regressieanalyse Je past regressieanalyse toe, interpreteert uitkomsten en rapporteert resultaten voor zakelijke toepassingen.
   10 lessen

   1. Lineaire regressie en aannamesJe voert lineaire regressie uit en controleert de aannames.
   2. Interpretatie van regressiecoëfficiëntenJe interpreteert de coëfficiënten van een regressiemodel.
   3. Meervoudige regressieJe past meervoudige regressie toe op datasets.
   4. Diagnostiek van regressiemodellenJe controleert de kwaliteit van regressiemodellen.
   5. Regressie voor voorspellingenJe gebruikt regressie om voorspellingen te doen.
   6. Gebruik van dummy-variabelenJe past dummy-variabelen toe in regressiemodellen.
   7. Overfitting en modelvalidatieJe herkent overfitting en valideert modellen.
   8. Toepassingen in bedrijfscontextJe past regressie toe op bedrijfsvraagstukken.
   9. Software voor regressieanalyseJe werkt met software voor regressieanalyse.
   10. Rapporteren van regressieresultatenJe rapporteert de resultaten van regressieanalyses.
7. 7 Data mining technieken Je gebruikt data mining technieken zoals clustering, classificatie en associatieregels voor analyse van grote datasets.
   10 lessen

   1. Definitie en doel van data miningJe beschrijft het doel en de werkwijze van data mining.
   2. Clusteringmethoden (k-means, hiërarchisch)Je past clusteringmethoden toe zoals k-means en hiërarchisch clusteren.
   3. Classificatie (beslisbomen, naïve Bayes)Je voert classificatie uit met bijvoorbeeld beslisbomen.
   4. Association rules en frequentie-analyseJe analyseert frequentiepatronen met association rules.
   5. Voorbereiding van data voor miningJe bereidt data voor op data mining analyses.
   6. Evaluatie van data mining modellenJe evalueert de prestaties van data mining modellen.
   7. Overzicht van machine learning basicsJe krijgt inzicht in basisprincipes van machine learning.
   8. Toepassing in marketing en risicoanalyseJe past data mining toe in marketing of risicoanalyse.
   9. Beperkingen en risico’s van data miningJe benoemt beperkingen en risico’s van data mining.
   10. Praktische voorbeelden en casestudiesJe werkt met praktijkvoorbeelden en casestudies.
8. 8 Data-analyse met programmeertalen Je voert data-analyse uit met Python en maakt gebruik van relevante bibliotheken en alternatieve tools.
   10 lessen

   1. Introductie tot Python voor data-analyseJe maakt kennis met Python als hulpmiddel voor data-analyse.
   2. Gebruik van bibliotheken: Pandas, NumPy, MatplotlibJe gebruikt Pandas, NumPy en Matplotlib voor analyse en visualisatie.
   3. Data importeren en exporterenJe importeert en exporteert data met Python.
   4. Data manipulatie en filteringJe manipuleert en filtert datasets in scripts.
   5. Statistische analyse met PythonJe voert statistische analyses uit met Python.
   6. Visualisatie met Seaborn en PlotlyJe maakt visualisaties met Seaborn en Plotly.
   7. Basis scripting en automatiseringJe schrijft eenvoudige scripts voor automatisering.
   8. Documenteren van analysescriptsJe documenteert je analysescripts voor hergebruik.
   9. Foutafhandeling en debuggingJe lost fouten op in je scripts en debugt waar nodig.
   10. Overzicht alternatieve tools (R, SQL)Je vergelijkt Python met alternatieve tools als R en SQL.
9. 9 Toetsen en valideren van modellen Je toetst en valideert analysemethoden en modellen aan de hand van relevante evaluatiecriteria.
   10 lessen

   1. Train-test splitsing van dataJe splitst data in train- en testsets voor modelvalidatie.
   2. Cross-validatie techniekenJe past cross-validatie toe om modellen te testen.
   3. Evaluatiecriteria: nauwkeurigheid, precisie, recallJe gebruikt nauwkeurigheid, precisie en recall als evaluatiecriteria.
   4. Confusiematrix uitleggenJe legt de werking van een confusiematrix uit.
   5. ROC-curve en AUCJe beoordeelt modellen met behulp van ROC-curve en AUC.
   6. Modelselectie en tuningJe selecteert en stemt modellen af op de dataset.
   7. Bias-variance trade-offJe analyseert de bias-variance trade-off in modellen.
   8. Interpretatie van resultatenJe interpreteert de resultaten van modelvalidatie.
   9. Presenteren van modelvalidatieJe presenteert de uitkomsten van modelvalidatie.
   10. Praktische cases voor toetsingJe oefent met praktische cases voor het toetsen van modellen.
10. 10 Rapporteren en presenteren van data-analyse Je rapporteert en presenteert analyseresultaten helder, afgestemd op je doelgroep en met aandacht voor beperkingen.
    10 lessen

    1. Structuur van een analyserapportJe bouwt een gestructureerd analyserapport op.
    2. Doelgroepgerichte communicatieJe stemt je communicatie af op de doelgroep.
    3. Samenvatten van bevindingen in begrijpelijke taalJe vat bevindingen samen in begrijpelijke taal.
    4. Gebruik van visualisaties in rapportenJe verwerkt visualisaties effectief in rapporten.
    5. Discussie over beperkingen en onzekerhedenJe bespreekt beperkingen en onzekerheden in je analyse.
    6. Aanbevelingen formuleren op basis van dataJe formuleert aanbevelingen op basis van je data.
    7. Voorbereiden van presentatiesJe bereidt presentaties voor van je analyseresultaten.
    8. Effectief gebruik van slides en visualsJe gebruikt slides en visuals om je verhaal te ondersteunen.
    9. Beantwoorden van kritische vragenJe beantwoordt kritische vragen over je analyse.
    10. Reflectie op analyseprocesJe reflecteert op het verloop van je analyseproces.