Uitgebreid Data Science en Machine Learning-curriculum met Python als hoofdtaal. Van datamanipulatie met Pandas en NumPy tot het implementeren van Deep Learning-modellen met TensorFlow/Keras, via klassieke ML met Scikit-Learn. Omvat ook MLOps-vaardigheden om modellen in productie te deployen en te onderhouden met Docker, FastAPI en cloudplatformen.
Modern Python met objectgeoriënteerd programmeren en best practices
Datamanipulatie met Pandas, NumPy en SQL (BigQuery)
Visualisatie met Matplotlib, Seaborn en Plotly
Beschrijvende en inferentiële statistiek met Statsmodel
Machine Learning met Scikit-Learn en XGBoost (regressie, classificatie, clustering)
Deep Learning met TensorFlow en Keras (CNN, RNN, Transformers)
NLP en GenAI met Hugging Face, LangChain en LLM's (GPT, Gemini)
MLOps met MLflow, Docker, FastAPI en Streamlit
Ontwikkelomgevingen: Jupyter, Google Colab
Cloud-deployment met Google Compute, Cloud Storage en GPU
De belangrijkste concepten om deze technologie te begrijpen en je gesprekken te halen
Python: typen, datastructuren, OOP, decorators, generators, context managers
NumPy: arrays, broadcasting, indexering, gevectoriseerde operaties, lineaire algebra
Pandas: DataFrames, Series, indexering, groupby, merge, pivot, tijdreeksen
SQL: SELECT, JOIN, GROUP BY, window functions, CTE's, query-optimalisatie
Visualisatie: Matplotlib (figures, axes, subplots), Seaborn (statistische plots), Plotly (interactief)
Statistiek: verdelingen, hypothesetesten, betrouwbaarheidsintervallen, regressie
Feature Engineering: encoding, schaling, feature-selectie, feature-creatie
Supervised ML: lineaire/logistische regressie, bomen, Random Forest, XGBoost, metrics
Unsupervised ML: K-Means, hiërarchische clustering, PCA, t-SNE
ML Pipeline: train/test-splitsing, kruisvalidatie, hyperparameter-tuning, overfitting
Deep Learning: perceptrons, backpropagatie, activatiefuncties, optimizers, verliesfuncties
CNN: convoluties, pooling, architecturen (ResNet, VGG), transfer learning
RNN/LSTM: sequenties, verdwijnende gradiënt, attentiemechanisme, Transformers
NLP: tokenisatie, embeddings, word2vec, BERT, LLM fine-tuning
MLOps: versioning (MLflow), containerisatie (Docker), API (FastAPI), monitoring
Cloud: Google Cloud (Compute, Storage, BigQuery), GPU-training, Vertex AI
AI-ethiek: bias, uitlegbaarheid (SHAP, LIME), eerlijkheid, AVG
Ontdek onze nieuwste artikelen en gidsen over Data Science & ML
Een uitgebreide gids over Hugging Face Transformers v5: de nieuwe API-architectuur, LoRA-fine-tuning, kwantisatie en veelgestelde NLP-interviewvragen voor data science-sollicitaties in 2026.
Leer de belangrijkste feature engineering technieken voor machine learning interviews. Met Python-voorbeelden en veelgestelde data science interviewvragen.
PyTorch vs TensorFlow vergelijking voor 2026: prestaties, deployment, ecosysteem en ontwikkelaarservaring om het juiste deep learning-framework te kiezen.