Deze cursus leert je hoe je data voorbereidt en analyseert om betrouwbare voorspellingen te maken met behulp van machine learning. Daarbij ligt de nadruk op een rigoureuze en meetbare aanpak, in tegenstelling tot conversationele AI-tools zoals ChatGPT, die niet bedoeld zijn om numerieke nauwkeurigheid voor dit soort analyses te garanderen.
De cursus werkt met gratis no-code tools zoals Orange Data Mining en OpenRefine, zodat je je kunt focussen op analyse en interpretatie in plaats van op programmeren.
Voor wie
Voor iedereen die in zijn of haar functie werkt met grote hoeveelheden data, bijvoorbeeld in:
- marketing
- sales
- HR
- R&D
- productie
- logistiek
- finance
- controlling
Inleiding tot kunstmatige intelligentie en data-analyse
- Definitie van AI en data-analyse;
- De geschiedenis en evolutie van AI;
- Veelvoorkomende toepassingen van AI in data-analyse.
Data voorbereiden en verwerken
- Verschillende soorten data: gestructureerd, ongestructureerd en semi-gestructureerd;
- Technieken voor dataverzameling;
- Het belang van datakwaliteit voor betrouwbare analyses;
- Data opschonen en voorbewerken, zoals het omgaan met ontbrekende waarden en normalisatie.
Inleiding tot machine learning-algoritmen
- De basisprincipes van machine learning;
- Supervised learning: modellen trainen met gelabelde data om voorspellingen te doen;
- Unsupervised learning: patronen en structuren ontdekken in ongelabelde data;
- Inzicht in veelgebruikte algoritmen:
- lineaire regressie voor het voorspellen van continue waarden;
- logistische regressie voor binaire classificatie;
- beslissingsbomen voor classificatie of regressie;
- Naïve Bayes voor probabilistische classificatie;
- K-nearest neighbors (KNN) voor classificatie op basis van nabijheid;
- K-Means voor clustering en segmentatie.
Machine learning-modellen evalueren
- Waarom modelevaluatie essentieel is voor betrouwbare resultaten;
- Meetwaarden voor supervised learning:
- regressie: MSE en R²;
- classificatie: precisie, recall, F1-score, verwarringsmatrix en ROC-curve;
- Meetwaarden voor unsupervised learning, zoals de silhouetscore voor K-Means;
- Evaluatietechnieken zoals kruisvalidatie en train/test-splitsing.
ChatGPT en vergelijkbare tools gebruiken voor data-analyse
- Overzicht van conversationele AI-modellen zoals ChatGPT, Claude, Grok en Copilot;
- Toepassingen binnen data-analyse:
- resultaten interpreteren met vragen in natuurlijke taal;
- rapporten of tekstuele visualisaties genereren;
- ondersteuning bij voorbewerking, zoals het genereren van scripts om data op te schonen;
- datasets verkennen met open vragen;
- Praktische demonstratie van hoe je een model zoals ChatGPT kunt gebruiken om analyseresultaten samen te vatten of interpretatie-ideeën te genereren.
Kansen en risico’s van AI
- Uitdagingen zoals bias in data, overfitting en vertrouwelijkheid;
- Specifieke risico’s van conversationele AI, zoals feitelijke fouten en overmatige afhankelijkheid;
- Ethische principes voor verantwoord AI-gebruik;
- De kansen van AI om data-analyse toegankelijker te maken en besluitvorming te versnellen.
Een data-analyseproject met AI uitvoeren
- Een project afbakenen: context, probleemstelling, doelstellingen en deliverables bepalen;
- De belangrijkste stappen: dataverzameling, opschoning en voorbewerking;
- Toepassen van supervised en unsupervised algoritmen om data te analyseren;
- Conversationele modellen gebruiken om resultaten te interpreteren of te presenteren;
- Resultaten visualiseren en omzetten in bruikbare inzichten.
Voorkennis:
Je hebt geen programmeerkennis nodig, maar het is wel belangrijk dat je vlot overweg kunt met digitale tools.
Na afloop van de training kun je:
- de basisprincipes van dataverwerking en data-analyse begrijpen;
- de fundamenten van kunstmatige intelligentie herkennen;
- algoritmen zoals lineaire regressie, logistische regressie, beslissingsbomen, Naïve Bayes, KNN en K-Means toepassen en evalueren;
- een data-analyse- en visualisatieproject uitvoeren met behulp van AI-technieken;
- risico’s rond het gebruik van AI herkennen en een ethische aanpak hanteren.
Aanpak
De training vertrekt vanuit de concrete uitdagingen van de deelnemers. Er is afwisseling tussen plenaire sessies, werken in subgroepen en individuele opdrachten. Met casestudy’s, praktijksituaties, individuele vertaaloefeningen en een actieplan leg je meteen de link met je eigen werkomgeving.
De evaluatie van de verworven competenties gebeurt via een online vragenlijst met situationele oefeningen.
Sterke punten van de training
- Systematische praktijkoefeningen in Orange Data Mining;
- Een volledig uitgewerkt project rond data-analyse met AI;
- Een no-code aanpak die de focus legt op inzicht, analyse en interpretatie in plaats van op programmeren.
Euroforum zet ervaren, zelfstandige docenten in die werkzaam zijn in het vakgebied waarin ze lesgeven. Deze praktijkexperts zorgen voor actuele kennis en een directe link tussen theorie en de werkvloer. Deelnemers beoordelen de docenten vaak als zeer bekwaam.
Jouw investering
De investering voor deze 2-daagse cursus bedraagt € 1799,- (excl. btw) per persoon.
Dit bedrag is inclusief koffie, thee, lunches en toegang tot de digitale leeromgeving.
Locatie
Locatie nader bekend te maken
- -
-
Data en tijden
| Dag | Datum | Tijd | Locatie |
|---|---|---|---|
| Dag 1 | 17 november 2026 | 09:00 - 17:00 | Locatie nader bekend te maken |
| Dag 2 | 24 november 2026 | 09:00 - 17:00 | Locatie nader bekend te maken |
Wil je deze training op maat laten verzorgen voor jouw organisatie?
Neem direct contact op
040 2972 770
