Make IT work: Applied Artificial Intelligence

Het vakgebied van data science & AI bevindt zich op het snijvlak van IT, wiskunde/statistiek en kennis van toepassingsdomeinen. Deze 3 elementen komen dan ook terug in het programma. Daarnaast wordt uitdrukkelijk aandacht besteed aan de juridische, ethische en maatschappelijke aspecten in het vakgebied: datagebruik kan onbedoelde effecten hebben (denk aan schending van privacy van burgers of klanten), waardoor verantwoorde toepassing van deze krachtige technologie essentieel is.

Je leert in dit programma (data) te analyseren, te programmeren en al na een aantal weken kun je met voorspellende modellen werken. Daarna zetten we de stap naar machine learning en andere vormen van AI. Na het traject kun je onder andere aan de slag als applied data scientist, data analist, of AI-specialist.

Het scholingstraject heeft de volgende kenmerken:

• Praktijk centraal

Het programma is opgebouwd rond een praktijkproject, waarin je het geleerde direct toepast. De casussen worden in de meeste gevallen aangeleverd door organisaties uit ons netwerk of door je eigen werkgever. Dit betekent dat je werkt aan actuele en relevante vraagstukken. Je oefent daarnaast je vaardigheden in verschillende toepassingsdomeinen. Daarbij word je ondersteund door onderwijsmateriaal en workshops over specifieke onderwerpen. Je krijgt uitleg en begeleiding door deskundige en ervaren docenten.

• Groepswerk

Je werkt samen met medecursisten in (kleine) projectgroepen.

• Formatief werken

Tijdens de projecten ontvang je doorlopend feedback van medecursisten en docenten, zodat je wordt gestimuleerd om naar een mooi resultaat toe te werken. Zo weet je altijd waar je staat en wat je te doen hebt.

• Flexibel

Je verwerft de kennis die je nodig hebt door middel van instructie door de docent, de praktijkopdracht en zelfstudie. Fysieke lesdagen (3 per week) worden afgewisseld met dagen voor zelfstudie (de andere 2 dagen). Zo kun je tijd- en plaatsonafhankelijk en in eigen tempo leren en oefenen terwijl er toch sprake is van een vast ritme. Zelfstudie doe je met behulp van interactieve leerplatformen, kennisclips en opgegeven literatuur.

• Adviesvaardigheden

Je projectresultaten presenteer je tussentijds en na afloop, waarbij je steeds je werkwijze beargumenteert. Zo oefen je je adviesvaardigheden.

• Toetsing

We toetsen jou op je praktische vaardigheden. We beoordelen zowel de door jou ontwikkelde producten, als je onderbouwing en je adviesvaardigheden.

• Persoonlijke coaching

Naast de groepsbegeleiding bij de projecten is sprake van persoonlijke coaching bij je professionele ontwikkeling.

• Intervisie

Iedere deelnemer brengt eigen kennis en ervaring mee. Tijdens intervisiesessies delen en benutten we elkaars inbreng. 

Tijdens het scholingstraject werken we aan 3 projecten van elk 6 weken. In het eerste project ligt de casus voor het project vast, bij de volgende projecten werk je aan casussen die zijn aangeleverd door organisaties uit de praktijk. Ook is het mogelijk om je eigen casus in te brengen (voor zowel cursist als organisatie). Tijdens het eerste project beslis je overigens in samenspraak met je coach of je het traject vervolgt.

• Project 1

Na een korte introductie over het vakgebied leer je programmeren in de programmeertaal Python. De wiskundige concepten met betrekking tot het doen van voorspellingen komen aan de orde. Je visualiseert data op verschillende manieren en past aan het einde van het project een voorspellend model toe. Het resultaat is dat jouw eindproduct een voorspelling doet van verkoopcijfers van een retailorganisatie met bijbehorend advies.

• Project 2

Je verdiept je in voorspellende modellen met behulp van machine learning (wat inhoudt dat een systeem leert van data of data kan gebruiken om beter te presteren). Je leert hierbij over classificatie, lineaire regressie en kansrekenen. Je past de verschillende vormen en technieken van het doen van voorspellingen toe op de praktijkcasus. Resultaat kan bijvoorbeeld zijn, dat jouw eindproduct kan voorspellen of een product dat is gekocht bij een webwinkel retour zal worden gestuurd. Ook komen in dit project de 'Ethics guidelines of trustworthy AI’ aan bod, net als relevante wetgeving.

• Project 3

Je focust op deep learning, waaronder ‘neurale netwerken’. Deep learning gaat een stapje verder wat betreft het machine learning dat je in project 2 leert gebruiken. De technieken die je aanleert, pas je toe op een praktijkcasus op het gebied van ‘computer vision’ (in het Nederlands: ‘beeldherkenning’) en natural language processing. Resultaat van dit project is bijvoorbeeld dat jouw eindproduct op basis van (video- of foto)beelden kan aangeven of een weg onderhoud nodig heeft.

Hieronder een greep uit de onderwerpen en thema’s waarmee je in aanraking komt:

• IT

objectgeoriënteerd programmeren in Python (onder andere Pandas en NumPy) voor data-analyse en machine learning;

• wiskunde/statistiek

de wiskunde die nodig is om machine learning algoritmes te kunnen toepassen, beoordelen en verbeteren. Denk hierbij aan kansrekening, statistiek en lineaire algebra;

• deep learning

TensorFlow, convolutional neural networks, recurrent neural networks, autoencoders, reinforcement learning;

• juridische, ethische en maatschappelijke aspecten van AI

relevante wetgeving, ethische cyclus, de ‘Ethics guidelines for Trustworthy AI’;

• datavisualisatie

PowerBI, storytelling, grafieksoorten, kleurgebruik, visualisatie in Python.