Data Science opleiding

Cursus beoordeling

 4.6/5

/ 9,4

In het kort

Met behulp van data science methoden en technieken kunnen organisaties nieuwe en waardevolle inzichten uit hun eigen data distilleren waarmee enorme concurrentievoordelen behaald kunnen worden. Wilt u deze data vertalen in waardevolle en bruikbare inzichten om voortaan op strategisch en tactisch niveau datagedreven beslissingen te nemen? En wilt u de transformatie naar een data-driven, intelligentere en succesvollere organisatie doormaken?

Data Science opleiding: maak de transformatie naar een datagedreven, intelligentere en succesvollere organisatie door

Wist u dat uw organisatie over grote hoeveelheden data beschikt die cruciale inzichten over uw business en doelgroep bevatten? Wilt u deze data vertalen in waardevolle en bruikbare inzichten om voortaan op strategisch en tactisch niveau datagedreven beslissingen te nemen? Wilt u patronen en verbanden ontdekken in grote hoeveelheden data om daarmee in te spelen op de toekomstige behoeften en wensen van uw doelgroep (predictive analyses)? En wilt u de transformatie naar een data-driven, intelligentere en succesvollere organisatie doormaken? Aarzel dan niet langer en schrijf uzelf vandaag nog in voor de praktijkgerichte Data Science opleiding van Global Training!

Vandaag de dag leven we een in een digitale maatschappij waarin bijna alle organisaties hun bestanden hebben gedigitaliseerd. Daarnaast verzamelen mensen, systemen, software en sensoren aan de lopende band data voor verschillende doeleinden. Het gaat hierbij om verzamelde, verwerkte of verrijkte data die afkomstig zijn uit verschillende bronnen zoals CRM systemen, surfgedrag op websites, analyse tools, KvK gegevens, sociale media, zoekmachines en apps. Bovendien groeit de hoeveelheid aan bruikbare data exponentieel door het steeds intensievere gebruik van het internet. Maar ook omdat steeds meer mensen steeds meer apparaten gebruiken en aan elkaar verbinden.

Tegenwoordig is het doel allang niet meer om enkel data te verzamelen, maar om de verzamelde data om te zetten in exponentiële waarde voor de organisatie. Waar vroeger voornamelijk transactiegegevens werden opgeslagen, wordt nu bij wijze van spreken elke muisklik van een internetgebruiker opgeslagen. Dit betekent dat er in de toekomst steeds meer verbanden tussen data gelegd kunnen worden en steeds meer patronen in data ontdekt worden. Dus, alhoewel de toepasbaarheid, relevantie, mogelijkheden en voordelen van data science, AI (artificial intelligence), machine learning, big data en data-analyse nu al enorm zijn, zal dit in de toekomst alleen maar blijven toenemen.

Data-driven beslissingen nemen en enorme concurrentievoordelen behalen

Met behulp van data science, AI, big data, data-analyse en machine learning methoden en technieken kunnen organisaties nieuwe en waardevolle inzichten uit hun eigen data distilleren waarmee enorme concurrentievoordelen behaald kunnen worden. Door econometrische en kwantitatieve data-analyse modellen te gebruiken ter ondersteuning van de besluitvorming op strategisch en tactisch niveau, kunnen onzekerheden worden geminimaliseerd en cruciale beslissingen altijd worden verantwoord. Met andere woorden: data-driven beslissingen zijn cijfermatig onderbouwd en hierdoor zijn de kansen op het nemen van een verkeerde beslissingen geminimaliseerd. Deze data-driven beslissingen bieden meer zekerheid en zijn altijd te verantwoorden.

De datagedreven maatschappij en de bijbehorende algoritmisering is inmiddels een vaststaand feit. Diverse nationale en internationale denktanks zijn het er allemaal over eens dat het correct inzetten van data en algoritmes hét verschil gaat maken tussen groei of krimp. Daarom zullen data science, AI, machine learning, big data en data-analyse één van de belangrijkste technische disciplines van de toekomst worden. Ook het bedrijfsleven ziet in toenemende mate de toegevoegde waarde van data science in en passen deze concepten daarom steeds vaker toe in alle facetten van de bedrijfsvoering. Door effectief gebruik te maken van data science methoden en technieken worden de voordelen al op korte termijn al zichtbaar. Zo worden Data science, AI, machine learning, data-analyse en big data voor de volgende toepassingen ingezet:

Klantengedrag voorspellen (predictive analytics)
Een hogere omzet en winstmarges realiseren
Klantaanbiedingen personaliseren
Verkoop- en marketingactiviteiten versterken
Klantentevredenheid verhogen
Prestaties van medewerkers verbeteren
Interne procesverbeteringen doorvoeren
Stimuleren van innovatieve toepassingen binnen uw organisatie
Creëren van toegevoegde waarde voor uw organisatie en klanten
Optimaliseren van verdienmodellen en een beter beleid
Bedrijfsdoelstellingen eenvoudiger realiseren en de groei van uw organisatie stimuleren
Analyses en conclusies waarderen op correctheid en nauwkeurigheid

Data te complex om er direct van de profiteren

De meeste organisaties beschikken over data die van voldoende kwaliteit zijn om er grote exponentiële waarde uit te halen, maar te complex om er direct van te kunnen profiteren. Zo beschikken de meeste organisaties over te weinig kennis en vaardigheden om succesvolle data science projecten op te zetten. Men weet bijvoorbeeld niet wat ze moeten doen met data die gestructureerd, semigestructureerd of ongestructureerd van aard zijn. Of op welke wijze AI succesvol kan worden ingezet om toegevoegde waarde te creëren. Ook zijn de bestaande data warehouse architecturen en infrastructuren van organisaties vaak ongeschikt voor data science, AI, machine learning, data-analyse en big data toepassingen. Hierdoor zijn de meeste organisaties niet in staat om hun eigen data te vertalen naar waardevolle en bruikbare inzichten waarmee enorme concurrentievoordelen behaald kunnen worden.

De data scientist zet diverse bedrijfsdata om in nieuwe en waardevolle inzichten

De data scientist kent de methoden en technieken om grote hoeveelheden data om te zetten in waardevolle en bruikbare inzichten. Zo ontdekt de data scientist patronen en verbanden in grote hoeveelheden data die de basis vormen van voorspellende analyses. Daarmee speelt de data scientist in op toekomstige gebeurtenissen en toekomstige behoeften en wensen van zijn doelgroep. Hiervoor worden onder andere data mining, machine learning en visualisatie-technieken gebruikt. Daarmee geeft de data scientist antwoorden op vragen die nooit eerder zijn gesteld. Niet voor niets is de data scientist de ingenieur van de toekomst en data science de drijvende kracht achter toekomstige innovaties. Ook gaat de data scientist daarmee een stap verder dan de BI specialist. De BI specialist hanteert namelijk traditionele technieken om beschrijvende analyses te doen en maakt daarmee inzichtelijk wat in het verleden is gebeurd.

Daarnaast voorziet de data scientist het management van zijn organisatie van cruciale inzichten waardoor op zowel strategisch en tactisch niveau datagedreven beslissingen genomen kunnen worden. Deze datagedreven beslissingen zijn cijfermatig onderbouwd en kunnen daarom altijd verantwoord worden. In essentie stelt de data scientist zijn organisatie in staat om optimaal te kunnen profiteren van zijn eigen data. Daarmee speelt de data scientist een sleutelrol in de transformatie naar een data-driven, intelligentere en succesvollere organisatie. Een professionele data scientist is daarom van grote strategische en tactische waarde voor alle organisaties.

Voorbeelden van praktische data science toepassingen:

De gemeente Amsterdam maakte tijdens het evenement Sail gebruik van real life sensordata om voetgangersstromen in kaart te brengen. De gemeente wist hierdoor waar de meeste bezoekers zouden samenkomen en anticipeerden daarop door alvast verkeersregelaars naar de desbetreffende locaties te sturen. Tegenwoordig worden deze data gebruikt voor andere grootschalige evenementen waarbij crowd management een belangrijke rol speelt.
De gemeente Amsterdam gebruikt data science toepassingen om te voorspellen hoelang wachtrijen voor trekpleisters zijn.Vervolgens anticipeert de gemeente daaropdoor bezoekers te adviseren om later op de dag een bezoek te brengen.
In de gezondheidszorg wordt data science ingezet door wereldwijd medischegegevens met elkaar te combineren om zo beter onderzoek te doen naar zeldzame ziekten.
Marketeers verdiepen zich in toekomstige gedragingen en keuzes van diverse doelgroepen om nieuwe aanknopingspunten voor marketing te vinden. Denk hierbij aan het aanbieden van gepersonaliseerde acties.
Politieke partijen zetten data science in om te voorspellen welke invloed beleidswijzingen hebben op hun achterban en stemgerechtigden.
Startups gebruiken data science om intelligente apps te ontwikkelen.
De politie gebruikt data science om criminaliteit in bepaalde stadsdelen te voorspellen en op te sporen.

Als data scientist een sleutelrol in uw organisatie bemachtigen

Tijdens deze intensieve en praktijkgerichte Data Science opleiding leiden we u op tot volwaardig en professioneel data scientist. Daarmee stomen we u klaar voor een sleutelpositie in uw organisatie en de toekomst. U leert aan de hand van data science methoden en technieken om grote hoeveelheden data op de juiste manier te verzamelen, bewerken, analyseren, interpreteren, concluderen en presenteren. U leert patronen en verbanden in uw eigen data te ontdekken via wiskundige modellen en zelf opgestelde algoritmes. Ook leert u tijdens deze Data Science opleiding om voorspellende analyses (predictive analyses en modelling) op te stellen. Hierdoor leert u uw eigen doelgroep beter kennen en kunt u alvast inspelen op hun toekomstige behoefte en wensen of andere toekomstige gebeurtenissen. Uiteraard leert u ook de laatste ontwikkelingen en trends van data science, AI, big data, machine learning en data-analyse kennen.

Daarnaast leert u bedrijfsdata om te zetten in bruikbare en waardevolle informatie voor uw organisatie. Hiermee voorziet u het management van uw organisatie van nieuwe en complete inzichten over uw business, waardoor cruciale strategische en tactische beslissingen op een verantwoorde wijze (data-driven) genomen kunnen worden. Hiermee maakt uw organisatie de transformatie naar een datagedreven, intelligentere en succesvollere organisatie door en wordt het volgende niveau bereikt. Kortom: onze Data Science opleiding is bedoeld voor organisaties die te maken hebben met complexe data-uitdagingen en substantieel slimmer willen worden.

In een kort tijdsbestek wordt u opgeleid tot een vakkundig data scientist en klaargestoomd voor een leidende positie in uw organisatie en de toekomst
Werk tijdens de Data Science cursus aan uw eigen businesscase (eigen data en project)
De groep van de Data Science opleiding bestaat uit cursisten met verschillende expertises, achtergronden, functies en branches. Hierdoor leert u ook van cases die binnen andere organisaties spelen
Deze opleiding Data Science staat internationaal enorm in de belangstelling en heeft een sterke internationale focus
Deze unieke en volwaardige cursus Data Science is samengesteld door gerenommeerde big data en data science experts en bereidt u voor op de toekomst. De modules van deze Data Science opleiding zijn afgestemd op de vraag vanuit de arbeidsmarkt en is uitermate geschikt voor zakelijke en bedrijfsmatige doeleinden

Na het afronden van de Data Science opleiding beschikt u over specifieke kennis en vaardigheden om voortaan geheel zelfstandig data science projecten succesvol binnen uw organisatie te implementeren. Wat u tijdens deze opleiding Data Science leert kan uw organisatie in de praktijk miljoenen euro’s opleveren of besparen. Aarzel daarom niet langer en schrijf uzelf vandaag nog in voor deze interactieve en praktijkgerichte Data Science opleiding van Global Training!

Doelgroep & voorkennis

Deze complete en praktijkgerichte Data Science cursus met een uitdagende eindopdracht is een absolute aanrader voor iedereen die zich vanuit een zakelijk perspectief wil bekwamen in data science, AI, machine learning, data-analyse en big data. En zeker aan te bevelen wanneer u een heldere visie wilt ontwikkelen op de mogelijkheden van data science, een boost wilt geven aan uw carrière en daadwerkelijk successen wilt boeken. Deze data Science opleiding is uitermate geschikt voor de volgende profielen:

Business intelligence (BI) consultants
Business intelligence (BI) specialisten
Business intelligence (BI) managers
Data analisten
Big data analisten
Business analisten
Informatie analisten
Data science managers
Data scientist (beginners)
Businessmanagers
Data warehouse developers
Programmamanagers
Database professionals
Controllers
Chief informationofficers
Chief data officers
Data ondernemers
Beginners in statistisch onderzoek
Docenten
Wiskundigen

Om aan deze Data Science opleiding deel te nemen is geen specifieke voorkennis vereist. Wel gaan we er vanuit dat u affiniteit met statistiek en data-alayse hebt. Ook is het een pré wanneer u ervaring hebt met programmeertalen zoals R, Matlab, Stata, SAS, Python, GAUSS, C, C++, C#, Java, SQL of vergelijkbaar. Het werk- en denkniveau van deze opleiding Data Science kan vergeleken worden met een HBO of WO studie.

Lesmaterialen, software en benodigdheden

Tijdens de cursus zullen opdrachten in R en Python uitgevoerd worden. Voor R zal R-Studio gebruikt worden. Voor Python zal Pythonxy gebruikt worden.

Overige tooling en software die mogelijk tijdens de Data Science opleiding gebruikt worden zijn: R-base, R-packages, Anaconda python machine learning toolset, iPython, Pandas, Scikit-learn, NLTK, JuPyTeR interactive notebooks (met zowel de R als python kernel).

Wij adviseren u om een eigen laptop mee te nemen. Mocht u niet over een eigen laptop beschikken, geef dit dan door aan uw opleidingsadviseur. Uw opleidingsadviseur zal voor een passende oplossing zorgen. Dit kan inhouden dat er voor u een laptop wordt gehuurd.

Wat ga ik leren?

De intelligentie van een organisatie laat zich niet louter vangen in data analytics en machine learning, het data science concept gaat veel verder dan dat. Daarom leert u tijdens deze praktijkgerichte Data Science opleiding waar en hoe “data science, AI, business intelligence, datagedreven werken en de intelligente organisatie” elkaar raken. Ook leert u waarom een analytische bedrijfscultuur van groot belang is voor het slagen van data science en artificial intelligence concepten. Aangezien data science een breed vakgebied is en veel verschillende concepten, tools en technologieën bevat, ligt de focus van deze Data Science opleiding op de interactie tussen data science, AI, machine learning, big data en data-analyse. Hierbij leert u complexe datavraagstukken om te zetten in resultaten voor uw organisatie.

Naast technische aspecten zoals: The Internet of Things, supervised en unsupervised machine learning, deep learning, neurale netwerken, data lakes, algoritmes, etc., maakt u ook kennis met alle andere relevante business-aspecten. Denk hierbij aan: projectmanagement, businesscases, KPI’s, risico’s en valkuilen, datakwaliteit, data governance en privacy- en ethische principes. Ook benadrukken we tijdens deze opleiding vooral de bedrijfsmatige en zakelijke toepassingen van data science.

In essentie leert u het management van uw organisatie te voorzien van bruikbare en waardevolle inzichten waarmee enorme concurrentievoordelen behaald kunnen worden. U leert patronen en verbanden te ontdekken in grote hoeveelheden data om daarmee als organisatie in te spelen op toekomstige gebeurtenissen. U leert nieuwe en waardevolle inzichten uit uw eigen data te distilleren waarmee voortaan op strategisch en tactisch niveau datagedreven beslissingen genomen kunnen worden. Hiermee speelt u als data scientist een sleutelrol in het worden van een datagedreven, intelligentere en succesvollere organisatie.

Tijdens deze praktijkgerichte Data Science opleiding worden de onderstaande modules op een praktijkgerichte wijze behandeld:

Introductie Data Science, AI, BI en trends
KPI’s, analytics en machine learning
Data Science volwassenheid en AI-first
Projectmanagement en governance
Datavisualisatie en data story telling
Succesfactoren van BI en Data Science
Introductie datawarehousing en big data
Datawarehouse architectuur en data lakes
Het datawarehouse en ETL-processen
Business Intelligence en Data Analytics
Master Data (MDM) en metadata
Beheer van datawarehouses en data lakes
Data governance en frameworks
Datakwaliteit en AI
Continu verbeteren van (big) data
AI, big data science en machine learning
De business case voor AI en data science
AI architectuur
Algoritmes en machine learning technieken
Data science tools
Kennismaken met Python, notebooks en R
Machine learning modellen ontwikkelen
Privacy, ethiek en wetgeving
Vaardigheden en competenties

U wordt op een positieve manier ondergedompeld in het vakgebied van de data scientist en klaargestoomd voor een leidende positie in uw organisatie. Tijdens deze praktijkgerichte Data Science opleiding zullen onze docenten u stapsgewijs door het lesprogramma loodsen aan de hand van een praktisch stappenplan. Naarmate de dagen vorderen, zal steeds meer de diepte worden opgezocht.

De volgende vraagstukken worden tijdens de Data Science opleiding beantwoord:

Hoe zet u complexe uitdagingen van uw organisatie om in simpele datavraagstukken?
Hoe gaat u verbanden en patronen signaleren in grote hoeveelheden data?
Hoe gaat u hypotheses over uw business en doelgroep valideren?
Hoe zet u Data Science op de kaart in uw organisatie?
Hoe gaat u een AI-first strategie ontwikkelen en zorgen dat iedereen in uw organisatie daaraan meewerkt?
Hoe gaat u AI-technologie inbedden in de juiste Business Intelligence processen en kaders?
Welke algoritmes en methodieken voor patroonherkenning kunt u gebruiken en hoe ontwikkelt u die?
Welke data science tools zijn het beste te verbinden aan uw specifieke uitdagingen en problemen?
Hoe bouwt u een robuuste en toekomstbestendige data-infrastructuur?
Waar moet u op letten bij de implementatie van machine learning?
Welke AI-tools zijn beschikbaar en welke past het beste bij uw specifieke problemen?
Hoe implementeert u succesvol een big dataoplossing en een data lake?
Wat is de relatie tussen innovatie, nieuwe business modellen, machine learning en data science?
Hoe gaat u om met interne politiek, draagvlak in de organisatie en acceptatie bij de gebruikers?

Lesprogramma

Tijdens de Data Science opleiding worden de volgende modules behandeld:

1. Introductie data science, trends, KPI’s en AI-first strategie

U maakt tijdens de eerste dag van deze Data Science opleiding kennis met de kracht van datagedreven organisaties en AI. U gaat niet alleen KPI’s, big data en machine learning beter begrijpen, maar krijgt ook inzicht in de laatste trends in data science, AI en de voordelen van analytics. U leert daarnaast welke stappen u moet zetten om een AI-first strategie te implementeren binnen uw organisatie.

1.1 Introductie op het vakgebied data science en artificial intelligence

Definities en visievorming

Data science, artificial intelligence, machine learning en business intelligence
Hoe verhouden deze begrippen zich tot elkaar?
Vier essentiële zaken waar elke organisatie rekening mee dient te houden?
Ontwikkelen visie op data science en machine learning
Draagvlak creëren voor AI en datagedreven werken en AI in uw organisatie

Trends in Data Science, AI en machine learning

Trends en ontwikkelingen
Big data
Data lakes
Self-service BI
Deep learning
Robotica
Drones
Zelfrijdende auto’s
Fotografie als de nieuwe “universele” taal
Cloud oplossingen
Blockchain
Toegevoegde waarde van data science in uw organisatie

1.2 KPI’s, analytics & machine learning

Datafication

Overvloed aan data en een groot aantal uitdagingen: wat kan en moet u er mee?
Toepassingen voor AI & Big Data bedenken (creatief proces) en implementeren
Businesscase: Provincie Zuid-Holland: algoritmes adviseren brugbedieners
Businesscase: Social Analytics (KLM): webcare, electronic word of mouth (eWoM)
Businesscase: Predictive policing en de Brandweer A’dam (winnaar Dutch BI & Data Science Award)

KPI’s en 1 miljoen euro inzichten bepalen

Vier belangrijkste methodieken voor bepalen KPI’s: strategie-, proces-, markt- en datagedreven
Bepalen meest essentiële data science-content
Onvervalste KPI’s vaststellen
Identificeren 1 miljoen euro inzichten
Relatie tussen KPI’s, big data en machine learning
KPI’s voor uw eigen organisatie bepalen (in groepen)

1.3 Data Science volwassenheid en AI-first strategie

De business case voor data science

Belangrijkste onderdelen data science businesscase in relatie tot verschillende volwassenheidsniveau
Businesscase opstellen op basis van KPI’s en 1 miljoen euro inzichten
Draagvlak creëren onder stakeholders, betrokken creëren en budget losweken

Ontwikkelen AI-first strategie

Valkuilen meeste organisatie
De belangrijkste onderdelen van een AI strategie
Ontwikkelen AI-first strategie voor uw organisatie (onder begeleiding docent)

2. Projectmanagement, datavisualisatie en data science succes

Deze dag van de Data Science opleiding start met projectmanagement, governance in data science en staat verder volledig in het teken van gebruikers, algoritmes, dashboards en rapporten. Het complete data science-proces (alle vijftien stappen) komt uitgebreid aan bod. Ook hoe u de User eXperience van data kan verbeteren door effectieve datavisualisatie technieken toe te passen. Tot slot komen de twaalf meest kritieke succesfactoren van data science en BI langs. In detail leert u meer over het volgende:

2.1 Projectmanagement en governance in data science

Business intelligence als fundament

Valkuilen data science: geen solide fundament
Fundamenten van data science: enterprise business intelligence en analytics

Projectmanagement en governance

Projectmanagement business intelligence en data science
Waterval tot agile scrum
10 belangrijkste projectrisico’s en valkuilen
Deliverymodellen voor machine learning
Waarom en hoe een BICC (business intelligence competency center) opzetten?
Belangrijkste verschillen tussen BI en data science project

2. 2 Processtappen en datavisualisatie

BI en data science is een proces

15 stappen voor verwerking, analyse en distributie van informatie
Data science en BI effectief inzetten om betere beslissingen te nemen
Verschillen tussen het data science proces en BI proces

Datavisualisatie en User eXperience (UX)

Kennismaken met krachtige datavisualisatie technieken
Data story telling en hoe informatie te versterken
Rekening houden met psychologische effecten en cognitieve kaders
Essentiële factoren voor effectieve big datavisualisatie
Bespreking BBC-documentaire: “How to make better decisions”
Praktijkopdracht: vormgeven verschillende effectieve datavisualisaties

2.3 Succesfactoren van BI en Data Science

Succes bereiken met BI & Data Science:

12 meest kritieke succesfactoren om rendement te behalen op BI en Data Science
Allround vision, analytics en agile werken in een continu proces verbeteren

3. Introductie DWH, doelen, alternatieven & big data architectuur

Deze module van de Data Science training is volledig gewijd aan het tot stand brengen vanETL-processen en een solide data-infrastructuur. Hierbij wordt er rekening gehouden met een noodzakelijke datawarehouse omgeving toekomstbestendige opslagmethodieken (big data). Een datawarehouse kan een Data Science traject maken of breken. Waar moet u allemaal op letten?

3.1 Introductie datawarehousing en big data

Hoe komt u tot een schaalbare centrale datahub die zorgt voor integratie van data, betrouwbare gegevens en één versie van de waarheid? Welke andere doelen kunt u realiseren met een datawarehouse en een data lake? Gegevens uit een diversiteit aan databronnen (uw bedrijfsprocessen) en externe data gaat u opschonen en koppelen zodat de eindgebruiker deze eenvoudig met elkaar in verband kan brengen. Steeds belangrijker wordt het om dit te combineren met alle aanwezige “niet gestructureerde” data waar een organisatie ook over beschikt.

Kennis als eindpunt

Transformatieslagen toepassen om (big) data op te waarderen tot actiegerichte kennis
Het belang van een adequate informatiehuishouding

Doelen DWH

Belangrijkste doelen datawarehouse (historie-opbouw en performanceverbetering)
Hoe draagt datawarehouse bij aan een hogere datakwaliteit, grotere herkenbaarheid en betere vindbaarheid van informatie
Ontsluiten en combineren van gestructureerde-, ongestructureerde-en semigestructureerde data

De vier kenmerken van big data

De 4 V’s (volume, variety, velocity en veracity)
De 4 V’s toepassen op eigen projecten
De 4 V’s gekoppeld aan algoritmes, medewerkers, oplossingen en dataopslag

Data lakes, virtualisatie en cloud

Datawarehousing alternatieven
Datawarehouse appliances, in-memory BI, data lakes, datavirtualisatie en cloud oplossingen
Praktijkopdracht: welke zijn zinvol en haalbaar in uw situatie? Welke ervaringen heeft uzelf en wat kunnen anderen daarvan leren?

3.2 Datawarehouse architectuur en data lakes

Het werken met een datawarehouse-architectuur is van groot belang voor agile BI en zeker ook bij het gebruik van AI. Welke gereedschappen en vaardigheden heeft u hierbij nodig? Hoe laat u die aansluiten op de algehele IT- en bedrijfsarchitectuur? U leert waarom de onderlinge samenhang de sleutel tot succes vormt.

Architectuur van het DWH

Belang van een goede datawarehouse-architectuur
Hoe past een DWH binnen de enterprise architectuur van uw organisatie

Datamodellering

Vormen datamodellering (Inmon, Kimball en Linstedt (DataVault))
Overeenkomsten en voornaamste verschillen
Voor- en nadelen van de verschillende methodieken
Wanneer kiezen voor één methodiek en wanneer voor een mix

Big data en data lakes

Wat te doen met data dat niet meer past in een traditioneel datawarehouse (te grote en ongestructureerde data)?
Vanuit een architectuuroogpunt rekening houden met te grote en ongestructureerde data
Hoe de cloud u gaat helpen bij te grote en ongestructureerde data
Specifieke eisen voor AI en big data

Sensorische data

Data verzamelen met sensoren
Plaatsing van sensoren die zo weinig mogelijk overlast veroorzaken
Sensoren en kostenbesparing

Overzicht tooling

Criteria en kiezen van specifieke datamodellering tools, opslagplatforms en databasesoftware

3.3 Datawarehouse en ETL-processen

Het vullen van een datawarehouse vindt procesmatig plaats in drie stappen: extractie, transformatie en laden (ETL). Dit kan via de krachtige analytische taal SQL of met behulp van ETL software en/of datawarehouse automation tools. De laatste vormen een onmisbare component in een volwassen datawarehouse-architectuur.

Toepassen van de datatechnieken

Welke datatechnieken zijn het meest geschikt in welke stap van het ETL-proces
AI binnen het ETL proces: automatisering en datakwaliteit verhogen
Het ETL proces inrichten en waarop te letten

Pseudonimiseren en anonimiseren

Kaders privacywetgeving
Data verwerken
Data analyseren
Data gebruiken
Ontwikkelen algoritmes
Methoden om data te pseudonimiseren en anonimiseren

ETL en datawarehouse automation tools

Beschikbare Data integratie-tools en Datawarehouse automation tools
Onafhankelijke ETL Tools en Data Integratie Survey
Keuze: één leverancier of best-of-breed?

Methodieken voor verbetering van de datakwaliteit

Overzicht tools voor verbetering datakwaliteit
Belangrijkste methodieken voor verbetering datakwaliteit
Slechte data wel laden in het DWH?
Wat is data profiling en hoe kan AI u daarbij helpen?

ELT of ETL

Verschillen tussen ELT en ETL
Impact grote decentrale gegevensverzamelingen (open data, big data en datalakes) op Data Science projecten?
Ontsluiten van grote decentrale gegevensverzamelingen
De beste keuzes maken in een hybride omgeving

4. Analytics, Master Data Management, metadata en beheer

Deze module van de opleiding Data Science staat in het teken van: datawarehouse gebruik in lijn met de hogere doelen van BI Analytics, Business Intelligence tools, het beheer van een DWH, masterdata, meta data en open data. Big data en vooral AI nemen hier een steeds grotere rol in.

4.1 Business Intelligence en Data Analytics

Eindgebruikers verwachten van een datawarehouse kwalitatief uitstekende gegevens die relevant zijn. Zij gebruiken Business Intelligence software om datasets op te vragen, betekenis te geven, erover te rapporteren en de datasets te analyseren.

Business Intelligence software

Beschikbaarheid verschillende soorten Business Intelligence software
Welke BI software sluiten aan op uw datawarehouse, datalake of AI toepassing

De laatste trends

Laatste trends en ontwikkelingen in Business Analytics en Data Science
Laatste trends en ontwikkelingen in Big Data en AI (bijvoorbeeld image processing of textmining)?
Betekenis open source in dit arena

Het gebruik

Directe toegang tot het datawarehouse: aan te raden en noodzakelijk?
Overzicht verschillende typen gebruikers
Functionele behoeften en hierop inspelen
Rol van self-service BI

4.2 Master Data Management (MDM) en metadata

Naast schone data is een goede structuur voor masterdata en metadata uitermate belangrijk voor verdere groei in data science. Belangrijke gegevensgroepen zoals klanten, producten, locaties en medewerkers moet u goed kunnen onderhouden. Inzicht in de ontstaansgeschiedenis en bijbehorende bedrijfsregels zijn daarbij essentieel. De groei aan data is exponentieel en AI wordt steeds belangrijker binnen dit domein.

Definities en masterprocessen

Wat zijn masterdata en metadata?
Rol van masterdata en metadata bij produceren en consumeren van kwalitatief goede en betrouwbare informatie (één versie van de waarheid)
Welke processen een grote rol spelen

Slimme leerlussen

Master- en metadata management: puur analytisch of hebben ze ook impact op operationele systemen?
Verschillende volwassenheidsniveaus van metadata
Slimme leerlussen inrichten met een enterprise portal en mobiele toegang

4.3 Het beheer van het datawarehouse en data lakes en succes behalen

Datawarehouses en data lakes moet u natuurlijk onderhouden en beheren. U maakt tijdens dit onderdeel van de Data Science opleiding kennis met de belangrijkste technische en functionele beheerprocessen, beheerpatronen en competenties. Met de komst van AI toepassingen binnen dit domein zijn er nieuwe competenties nodig.

Beheerprocessen

Welke technische en functionele beheerprocessen kunt u onderscheiden bij datawarehousing en data lakes?
Welke tools kunt u hiervoor gebruiken?

Business & IT

Welke rol speelt het BICC in deze processen en wat is de zin (of onzin) ervan?
Welke rol speelt de business en welke rol speelt IT?

Projectaanpak

Wat is een geschikte projectaanpak met het oog op succes- en risicofactoren?
Waarom het gebruik van algoritmes het plan van aanpak wijzigen
Wat zijn eigenlijk de belangrijkste succesfactoren voor een goed functionerend datawarehouse en data lake?

Support en onderhoud

Hoe ontwikkelt u een datawarehouse en data lake met support en onderhoud in gedachten?
AI vraagt een andere manier van support en onderhoud. De vraag is hoe richt u dat succesvol in?

Competenties en vaardigheden

In hoeverre wijkt DWH onderhoud af van “traditioneel” onderhoud?
Welke competenties en vaardigheden zijn nodig voor succesvol beheer van uw data lake en datawarehouse?

5. Data governance, datakwaliteit en continu verbeteren

Data governance is onmisbaar voor organisaties die datagedreven willen werken. De totale levenscyclus van data, van ontstaan tot verwijdering, moet u dan als leerproces en feedbackloop gaan implementeren en borgen. Tijdens deze module van de opleiding Data Science leert u een robuuste Data Governance-structuur op te zetten. Wat komt daar zoal bij kijken?

5.1 Data governance

De waarde van data governance: hoe kan uw organisatie waarde ontlenen aan data governance en er voordeel mee behalen? Moet Data Governance totaal anders ingericht worden als u met big data en AI aan de slag gaat?

Het Data Governance framework

Alle aspecten van data governance (verschillende rollen zoals data stewards en data custodians, maar ook aan de integriteit van de data, datakwaliteit en het goed toegankelijk maken van (big) data, meta- en masterdata
Data Governance framework gebruiken voor uw eigen organisatie
Waar moet u in dit framework vooral op letten als AI een belangrijke pijler wordt van de bedrijfsvoering binnen uw organisatie

Van governance naar dataperfectie

Kennismaken met de ideale route om tot dataperfectie te komen (inclusief gedegen kosten en batenanalyse)
Welke stappen dient u dan te zetten, wie moet u betrekken en hoe tilt u uw eigen organisatie naar een hoger volwassenheidsniveau van datamanagement?
Welke mogelijkheden biedt AI daarin?

5.2 Datakwaliteit

Niemand zal het belang van goede datakwaliteit bagatelliseren, maar hoe start u hiermee en wat komt daarbij kijken als het gaat om oplossingen en succes behalen? U maakt tijdens dit onderdeel van de Data Science opleiding kennis met alle thema’s die zorgen voor uitstekende datakwaliteit.

Datakwaliteit

Data kan niet half juist zijn, data is goed óf fout

Sleutelbegrippen

Wat zijn de sleutelbegrippen rondom datakwaliteit? (compleetheid, juistheid, integriteit, metadata, gekoppelde data, geaggregeerde data, big data, etc).
Welke zaken moet u in uw situatie in de gaten houden?

Ongestructureerde data

U leert hoe u de datakwaliteit van ongestructureerde (sensor) data kan verbeteren en welke succesverhalen er zijn. Wat kunt u hiervan leren?
Hoe zorgt u ervoor dat de kwaliteit goed is en dat AI toepassingen hier succesvol gebruik van kunnen maken

Oplossingen voor datakwaliteit

Welke oplossingen zijn er op de markt beschikbaar om de datakwaliteit te monitoren, te analyseren, op te schonen, te markeren of af te wijzen?
Zijn datakwaliteitssystemen met artificial intelligence hierin de gouden graal of zorgen ze juist voor meer problemen dan dat ze oplossen?

Succesfactoren

Welke valkuilen en succesfactoren spelen een grote rol?
Wat zijn uw eigen ervaringen en wat valt daaruit te leren?

5.3 Continu verbeteren van (big) data

Het gestructureerde proces om hogere datakwaliteit te realiseren krijgt tijdens dit onderdeel van de Data Science training vorm. U leert hoe u een continu verbeterproces op kan zetten rondom datakwaliteit. Wat zijn de best practices om data-resultaten te borgen zodat u niet steeds weer met dezelfde datarommel zit opgescheept? Kunt u met de komst van AI het proces “continu data verbeteren”, volledig overnemen en weghalen bij de organisatie?

Verbetercirkels

De docent geeft u praktisch inzicht in de manier waarop u de datakwaliteit kunt verbeteren onder andere door de verbetercirkel PDCA van dr. William Edwards Deming

Bewustwording en cultuur

Hoe zorgt u voor bewustwording bij het management?
Hoe neemt u medewerkers mee?
Hoe wijst u ze op het belang van de kwaliteit van gegevens en wat kan dit hen opleveren?
Welke culturele aspecten spelen een rol en welke vaardigheden zijn noodzakelijk?
Welke cultuur is nodig als u hier algoritmes bij inzet?

Gedrag en draagvlak

Hoe moet u omgaan met bepaald gedrag van medewerkers?
Hoe kunt u zorgen voor een groot draagvlak?

Borgen van verbeteringen

U leert hoe u de PDCA-cirkel elke keer weer (dagelijks, wekelijks) doorloopt, rondmaakt en de resultaten kunt borgen

6. Ontwikkelen onderdelen van AI, machine learning en AI-architectuur

Tijdens deze module van deze opleiding Data Science komt u in aanraking met analytische en voorspellende modellen die de basis vormen voor AI, machine learning en de bijbehorende architectuur.

6.1 AI, big data, data science en machine learning

Tijdens deze module leert u precies wat AI inhoudt en uit welke onderdelen dit bestaat. Tevens maakt u kennis met de twee belangrijkste onderdelen van AI en data science: machine learning en statistiek.

Verdiepingskader AI en begrippen

Wat is AI en hoe verhoudt zich dit tot andere veelgebruikte begrippen als big data, predictive analytics, data science, tekst mining en data mining?
Wat is de rol machine learning in het data science proces?
Hoe verhoudt AI zich tot BI?

Data science proces

Waar houdt een data scientist zich mee bezig?
Uit welke stappen bestaat het data science proces?
Rol machine learning binnen het data science proces
Praktijkopdracht: machine learning binnen uw eigen organisatie toepassen

Statistische kennis

Het belang van juiste statistieken
Welke statistische kennis heeft u nodig in uw data science project?

6.2 De business case voor AI en data science

Er is heel veel geld gemoeid met AI gerelateerde initiatieven. De totale markt wordt geschat op 1.000 triljoen euro (wereldwijd op jaarbasis). Maar ook de opbrengsten kunnen gigantisch zijn. De docent presenteert ook vele andere best practices waar u van kunt leren.

Integraal denken en business case

Welke relatie moet u leggen tussen algoritmes, big data, innovatie en procesverbetering?
Wat zijn de belangrijkste onderdelen uit de big data business case?
Hoe moet u omgaan met experimenten en proeftuinen die buiten uw gezichtsveld of verantwoordelijkheid plaatsvinden?

Overtuigen van het management

Op welke wijze neemt u het management bij de hand en overtuigt u ze van het nut en de noodzaak van AI?
Wat voor leiderschap heeft u daarvoor nodig in uw organisatie?

Stappen en valkuilen

Welke stappen moet u zetten in uw big data-project
Welke valkuilen en risico’s kunt u onderkennen bij het implementeren van algoritmes?

6.3 AI architectuur

Hoe verhoudt AI architectuur zich tot klassieke BI en DWH architectuur? Hoe laat u de AI tools aansluiten op uw bestaande architectuur en infrastructuur. Onderwerpen die aan de orde komen zijn:

Data science technologie

Wat zijn belangrijkste tools die gebruikt worden?
Welke impact hebben deze tools op uw(bestaande) architectuur?
Hoe gaat u om met de meest voorkomende dilemma’s die u tijdens de AI-transitie tegengaat komen?

Data science referentie architectuur

De docent presenteert een data science referentie architectuur en neemt u mee in de meest cruciale principes die daarin naar voren komen

Nieuwste ontwikkelingen en trends

Denk aan cloud, Docker containers, automated machine learning, sensoren, gespecialiseerde hardware (zoals GPU’s), SPARK, Hadoop en REST APIs

7. Machine learning algoritmes: theorie en praktijk

Tijdens deze module van de opleiding Data Science komt u in aanraking met de theorie en technieken van machine learning algoritmes. Onder begeleiding van de docent gaat u in een workshop zelf aan de slag met Python en R en maakt u de vertaalslag naar de praktijk.

7.1 Algoritmes en machine learning technieken

Als eerste gaat de docent dieper in op de verschillende hoofdgroepen van algoritmes. De docent presenteert de toepassing, werking en voor- en nadelen. Onderwerpen die aan de orde komen zijn:

Betekenis en gebruik van algoritmes

Wat is een algoritme en aanverwante terminologie?
Hoe worden algoritmes gebruikt door data scientists?

Supervised, unsupervised learning en reinforcement learning

Tijdens dit onderdeel leert u wat supervised learning, unsupervised learning en reinforcement learning zijn en in welke situatie u deze manieren van leren kan toepassen
De docent geeft u inzicht in de verschillende typen algoritmes zoals classificatie, regressie, clusteren, beslisbomen, KNN, ensemble modellen en neurale netwerken

Wat is deep learning

U leert op welke wijze algoritmes het concept van deep learning toepassen en wat daarbij komt kijken

Validatie van algoritmes

Hoe meet u de performance van een gebruikt algoritme en hoe voorkomt u de belangrijkste valkuilen zoals overfitting en underfitting

7.2 Data science tools

Tijdens deze module van de Data Science cursus gaat u aan de slag met diverse data science tools die in de praktijk door data scientists gebruikt worden. De docent begint met een overview van de tools die veel gebruikt worden.

Open source tools voor data science

Wat is het en waarom zijn de meeste data science tools open source?
U krijgt een overzicht van veel gebruikte (open source) tools zoals bijv. Python, R, SCALA, SQL, sklearn, pandas en numpy

Commerciële data science tools

Welke commerciële data science tools worden veel gebruikt en waar passen zij in het data science proces?
Een aantal commerciële data science tools zoals Rapidminer, SAS, Dataiku en IBM Watson Studio passeren de revu

7.3 Data science tools in de praktijk, kennismaken met Python en R

In deze workshop gaat u kennismaken met veelgebruikte programmeertalen zoals Python en R, maar ook met de verschillende ‘interfaces’ waar data scientists mee werken. Tijdens deze workshops zal de nadruk liggen op het werken met de taal Python, omdat dit de meest gebruikte taal door data scientists is. Maar ook gaat u kennismaken met de taal R.

Introductie

Hoe positioneert u Python en R positioneren? Waar komen deze talen vandaan en hoe gaat u dit gebruiken?
Hoe gaat u interfacen met de cloud of andere platformen? Of gaat u een standalone tool gebruiken? Welke zijn er zoal?

Notebooks

Wat is een notebook en hoe werken deze?

Python basics

Wat zijn de basiselementen om te kunnen werken met Python? Denk bijvoorbeeld aan het gebruik van variabelen, lists, functies en help
Packages zijn soort ‘plug-ins’ die u in Python (of R) kunt laden. Wat zijn veel voorkomende packages en hoe laad u deze in Python?

8. Data Science in de praktijk

Tijdens deze module van de Data Science opleiding gaat u in de vorm van een workshop aan de slag met machine learning en tekst mining. Verder leert u zelf modellen te ontwikkelen, trainen, testen en valideren.

8.1 Workshop machine learning modellen ontwikkelen

Aan de hand van diverse datasets gaat u alle stappen van het data science proces doorlopen. Dat gaat u doen aan de hand van Python, R en een visuele modelleeromgeving. Elke gedeelte zal uit de volgende stappen bestaan:

Importeren van data
Exploratory Data Analysis (EDA)
Data wrangling: opschonen en bewerken van data
Splitsen van de data set in trainings- en test dataset
Machine learning model trainen middels meerdere algoritmes
Validatie machine learning model: hoe goed presteert machine learning model
Visualisatie: hoe visualiseert een data scientist de data
Praktijkopdracht: met text analytics een sentiment analyse uitvoeren

9. Ethiek, privacy, vaardigheden en competenties

Tijdens deze module van de Data Science opleiding gaan we in op de belangrijkste ethische principes en privacywetgeving. Tevens gaat u leren welke vaardigheden en competenties nodig zijn om van data science een succes te maken.

9.1 Privacy, ethiek en juridische kaders voor data science

Data Science praktiseren zonder in te gaan op privacy en ethiek is tegenwoordig uitgesloten. De grote hoeveelheid te koppelen data stelt u voor een belangrijk vraagstuk: hoe om te gaan met privacy en data-ethiek?

Kaders en frameworks

Welke (juridische) kaders en frameworks zijn er op dit moment beschikbaar om ethisch te toetsen of dataplannen wel door de beugel kunnen?

Wet- en regelgeving

Wat zegt de relevante wet- en regelgeving over het gebruik van identiteitsgebonden data?
Wat kunt u doen om in te spelen op de publieke opinie?
Hoe voorkomt u imagoschade?

Technieken en privacyoplossingen

Welke technieken en oplossingen zijn voorhanden om persoonsdata toch te gebruiken en analyseren en tegelijk de privacy te respecteren?
Data masking in combinatie met data-aggregatie
Toestemming vragen aan desbetreffende personen

9.2 Vaardigheden en competenties bij data science en AI

Data Science is hard op weg om een zeer professioneel vakgebied te worden. In een hoog tempo komen nieuwe kennis en technologieën beschikbaar. Hoe houdt u daar grip op? En hoe breng u een BI of data science team op een hoger plan? Statistiek, data blending, analytics en datavisualisatie behoren tot de kerncompetenties van een goede data scientist, maar ook praktijkervaring met het ontwikkelen van machine learning modellen en programmeren is altijd gewenst. Daarnaast behoren goede communicatieve, consultancy-vaardigheden, kennis van BI, privacy en data governance tot de standaardbagage van een professionele data scientist.

Drie basisvaardigheden

Welke drie basisvaardigheden heeft een data scientist zelf absoluut nodig?
Hoe ontwikkelt u deze basisvaardigheden bij teamleden?
Hoe om te gaan met een tekort aan Data Scientists?

Data Science team

De belangrijkste Data Science vaardigheden en soft en hard skills passeren de revue
Hoe bouwt u een Data Science-team dat uw organisatie klaarstoomt voor een nieuwe fase van ontwikkeling?
Welke rollen en competenties komen daarbij kijken?

10. Afsluitende opdracht en certificering

Tijdens de Data Science opleiding werkt u in groepjes aan een uitdagende opdracht om te toetsen of u het geleerde ook in de praktijk kunt brengen. De opdracht levert u een week voor de laatste lesdag van deze Data Science opleiding in bij uw docent. We bespreken de resultaten van de verschillende opdrachten integraal met elkaar door. Hierdoor leert u ook van cases die binnen andere organisaties spelen.

Resultaten

Na het afronden van de Data Science opleiding:

Voorzie het management van uw organisatie van bruikbare en waardevolle inzichten waarmee enorme concurrentievoordelen behaald kunnen worden.
Ontdek patronen in grote hoeveelheden data, doe toekomstvoorspellingen en speel daarmee als organisatie in op toekomstige gebeurtenissen.
Neem voortaan op strategisch- en tactisch niveau datagedreven beslissingen die ten alle tijden verantwoorden kunnen worden.
Maak de transformatie naar een data driven, intelligentere en succesvollere organisatie door.
Creëer toegevoegde waarde voor uw organisatie en klanten.
Ontwikkel een beter beleid en optimaliseer uw verdienmodel.
Stimuleer innovatieve toepassingen binnen uw organisatie.
Bereik uw bedrijfsdoelstellingen eenvoudiger en stimuleer de groei van uw organisatie.
Analyses en conclusies waarderen op correctheid en nauwkeurigheid.

Arbeidsperspectieven

Er is een schreeuwend tekort aan uitstekend opgeleide data scientists die artificial intelligence (AI) niet alleen vanuit de techniek benaderen, maar juist vanuit een bedrijfsmatig en menselijk perspectief. Zo voorspelt McKinsey in het rapport “Big Data: the next frontier for innovation, competition and productivity”, dat er alleen in de VS al een tekort zal bestaan van 140.000 tot 190.000 mensen met “deep analytical skills”. Hierbij gaat het met name om mensen met een achterstand op wiskunde, big data, AI, data science, statistiek en machine learning.

Daarnaast blijkt uit diverse rapporten dat er in Nederland ook een groot tekort aan vakkundige data scientist bestaat. Naar verwachting zal dit in de toekomst blijven toenemen. De kans is dan ook erg groot dat u een baan zal vinden in de (internationale) wereld van data science, machine learning, big dataof data-analyse. Als data scientist kunt u aan de slag bij grote multinationals zoals Philips, Google en KPN. Maar ook bijoverheidsinstanties, de luchtvaart, banken en innovatieve Mkb’ers.

Na het succesvol afronden van deze opleiding Data Science beschikt u over geavanceerde en diepgaande vaardigheden en kennis inzake data science, AI, big data, data-analyse en machine learning. U heeft de organisaties voor het uitkiezen. U zou kunnen solliciteren op een de volgende functies:

Data scientist
Business intelligence specialist
Data analist
Big data analist
Business analist
Informatie analist
Data science manager
Businessmanager
Data warehouse developer
Programmamanager
Database professional
Controller
Chief information officer
Chief data officer
Data ondernemer
Beginners in statistisch onderzoek
Docent
Wiskundige

Uiteraard kunt u er ook voor kiezen om carrière te maken als freelance Data Scientist.

Klantervaringen

Meer weten?

Uiteraard is er nog veel meer te vertellen over Global Training en onze cursussen. In de brochure komen de onderstaande onderwerpen aan bod:

Over ons
Waarom kiezen voor Global Training
Topdocenten uit de praktijk
Onze werkwijze
Businesscase en examen
Certificering en kwaliteit
Startgarantie
All-in tarieven
Fiscale belastingvoordelen
Opleidingslocaties

Klik op de onderstaande button om de brochure te downloaden, of schrijf uzelf vandaag nog in!

Anderen bekeken ook

Data Analist opleiding

Leer grote hoeveelheden data om te zetten in bruikbare en waardevolle inzichten voor uw organisatie en neem voortaan data gedreven beslissingen. Realiseer daarmee hogere winstmarges en creëer tevreden klanten.

Cursus R

Ontdek patronen en trends in grote datasets om predictive modellen en algoritmes te ontwikkelen. Gebruik krachtige en open-source statistische software om het maximale te halen uit data analyse, big data en data science projecten. Bekijk de cursus R!

Cursus Power BI

Tijdens deze cursus gaat u Power BI inzetten om data uit verschillende bronnen samen te brengen tot interactieve dashboards en krachtige rapportages. Hiermee zet u een belangrijke stap richting het datagedreven werken. Bekijk de cursus Power BI.

QlikView training

Voor zowel grote als kleine organisaties is QlikView de oplossing om bruikbare en betrouwbare inzichten uit data te halen. Met QlikView kunt u immers snel en efficiënt gegevens ophalen, analyseren, bewerken en presenteren! Bekijk de QlikView training!

Deskundig en persoonlijk advies aanvragen?

Op basis van uw huidige loopbaan en leerdoelen geven wij u graag persoonlijk advies. Laat uw gegevens achter en onze deskundige opleidingsadviseurs bellen u binnen 24 uur op om het persoonlijk advies te bespreken.

Waarom kiezen voor Global Training?

Praktijkgericht

Kleine klassen

Topkwaliteit

Bevlogen trainers

Unieke nazorg

Certificaten

Inspirerende lesdagen

Individuele begeleiding

Een selectie van onze klanten

Wij zijn trots op

3.000 +

Verzorgde cursussen

9,4

Gemiddelde beoordeling

Opleidingslocaties in NL en BE

150 +

Bevlogen docenten

Opleidingsadvies nodig?

Onze deskundige opleidingsadviseurs zijn op werkdagen tussen 09:00 t/m 17:00 uur telefonisch bereikbaar. U kunt ons bereiken door de “bel me terug” knop bovenaan deze pagina te gebruiken. Of neem contact met ons op via:

Studiegids ontvangen?

In de studiegids staat een overzicht van alle cursussen die Global Training aanbiedt. Vraag deze nu aan en ontvang alle opleidingsinformatie per mail.

Updates & aanbiedingen

Meld uzelf aan op onze nieuwsbrief en blijf daardoor op de hoogte van de laatste updates en aanbiedingen.