Opleidingen

Inleiding De opleiding Deep Learning (DL) en Artificial Intelligence (AI) of Kunstmatige Intelligentie|gebruikt de online Deep Learning Specialization van Coursera, verzorgd door drie topdocenten van Stanford University, en combineert dit met contactonderwijs (face-to-face) verzorgd door Tridata-docenten. Je doorloopt in 12 weken de video’s en werkt de oefeningen uit via het online platform Coursera. Ook kom je een avond per week samen met je medecursisten om het online opleidingsmateriaal met de docent door te nemen. De opleiding is gebaseerd op de open source programmeertaal Python. Wat is blended learning? Blended learning is een mix van verschillende manieren van leren en is een combinatie van online leren en contactonderwijs. Deze leervorm wordt ook wel hybrid learning genoemd. Onderzoek wijst aan dat blended learning een effectieve manier van lesgeven is, zie bijvoorbeeld het paper van Louis Deslauriers en collega’s dat in 2019 is gepubliceerd in het toonaangevende wetenschappelijk tijdschrift Proceedings of the National Academy of Sciences of the United States of America. Deep Learning en Artificial Intelligence: wat levert de opleiding jou op? In drie maanden tijd maak je een kick-start met Deep Learning en Artificial Intelligence. Je leert hoe neurale netwerken werken onder de motorkap, hoe je neurale netwerken op effectieve wijze kunt bouwen en de ook hoe je geleerde technieken succesvol kunt toepassen in real-world case studies. We gaan aan de slag met standaard neurale netwerken en daarnaast ook meer geavanceerdere neural nets zoals RNN/LSTM/CNN. Gedurende de opleiding werk je aan casestudies uit de gezondheidszorg, autonomous driving, natural language processing en meer. Je beheerst na afloop van de opleiding niet alleen de theorie achter DL en AI maar ook de toepassing ervan in verschillende sectoren. Leervormen en begeleiding: blended learning met Tridata Tridata biedt via blended learning face-to-face begeleiding om jouw Deep Learning en Artificial Intelligence skills te verbeteren. We starten vanuit de Coursera Deep Learning Specialization en we doorlopen dit programma in 12 weken. Er wordt verwacht dat je elke week de video’s en oefeningen via het online platform doorloopt. Voor een maximaal leerrendement komen we één avond per week samen voor nadere toelichting op de meer complexe onderwerpen, bespreken we issues en vragen waar je in de praktijk tegenaan loopt en maken we een verdiepingsslag. De Tridata-begeleiding zorgt ervoor dat je na drie maanden echt aan de slag kunt met Deep Learning en Artificial Intelligence applicaties. Vanwege de opgedane hands-on ervaring heb je na afloop van de opleiding goed inzicht over het inzetten van Deep Learning en Artificial Intelligence. De zeer praktijkgerichte opleiding Deep Learning en Artificial Intelligence kent twee varianten: 1. Avondprogramma duurt 12 lesavonden verdeeld over 12 weken. 2. Dagprogramma duurt 6 lesdagen verdeeld over 12 weken. Vereiste voorkennis en vaardigheden Om deze opleiding Deep Learning en Artificial Intelligence succesvol te volgen wordt er van de deelnemer een bepaald basiskennisniveau verwacht: – Ervaring met Python, dit programma wordt namelijk gebruikt tijdens de opleiding – Afgeronde WO-opleiding met een kwantitatieve/statistische of technische achtergrond Aanbevolen: – Basiskennis van lineaire algebra – Basiskennis van Machine Learning Programma Deep Learning en Artificial Intelligence De Deep Learning en Artificial Intelligence bestaat uit vijf modules: 1. Neural Networks and Deep Learning 2. Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization 3. Structuring Machine Learning Projects 4. Convolutional Neural Networks 5. Sequence Models Bekijk de uitgebreide beschrijving van de modules op de site van Coursera Certificering Je ontvangt een Deep Learning Specialization Certificate van Coursera en een certificaat van deelname van Tridata. Kosten en inschrijving De kosten van de beide varianten (avond -en dagprogramma) van de opleiding Deep Learning en Artificial Intelligence bedragen € 3750. De kosten van de opleiding zijn vrijgesteld van BTW (BTW-tarief 0%) en is inclusief boeken en catering. De kosten voor de toegang tot het Coursera leerplatform zijn niet inbegrepen. Studieduur en planning (Utrecht) Opleidingsdata dagprogramma De opleiding Deep Learning en Artificial Intelligence dagprogramma duurt 6 lesdagen verdeeld over 12 weken. Je krijgt op vrijdag om de week les en een opleidingsdata duurt van 09:15 tot 16.00 uur met uitloop tot 16:30 uur. Opleidingsdata avondprogramma:  De exacte data worden nog bekend gemaakt. De Opleiding Deep Learning en Artificial Intelligence avondprogramma duurt 12 lesdavonden verdeeld over 12 weken. Een opleidingsavond duurt van 17:30 uur tot 20:45 uur. Tridata opleidingslocatie Europalaan 400, 5e verdieping 3526 KS Utrecht Waarom de opleiding volgen bij Tridata? – Tridata is het enige instituut wat een door de Vereniging voor Statistiek & Operationele Research (VVS-OR) erkende opleiding statistiek aanbiedt. – Tridata is het eerste instituut in Nederland dat begonnen is met het verzorgen van Data Science opleidingen. – De docenten van Tridata hebben diverse wetenschappelijke artikelen gepubliceerd in boeken en tijdschriften. – De docententen van Tridata zijn experts op het gebied van R, Python, statistical modelling en machine learning, artificial intelligence, deep learning, tekstanalyse, natural language processing (NLP), datavisualisatie en cloud computing. Docent Dr. J. (Joris) de Wind promoveerde in 2014 aan de Universiteit van Amsterdam (Cum Laude). In zijn proefschrift heeft hij verschillende nieuwe econometrische technieken ontwikkeld en toegepast op macroeconomische vraagstukken. Joris heeft in de periode 2008-2017 verschillende economische modellen ontwikkeld voor zowel beleidsanalyses en het maken van (korte-termijn) voorspellingen, eerst bij De Nederlandsche Bank en later bij het Centraal Planbureau. In 2017 heeft Joris de overstap gemaakt naar de data science discipline en is momenteel als data scientist werkzaam bij ING Nederland. Sinds medio 2018 geeft Joris diverse data science cursussen en opleidingen namens Tridata, zowel in R en ook met Python.

Doel Geschreven tekst zoals e-mails, jaarverslagen en content van websites bevatten een schat aan informatie die in hun originele vorm lastig te benutten zijn. De cursus textmining en textanalyse met R geeft een inleiding in technieken waarmee deze informatiebronnen kunnen worden ontsloten, geanalyseerd, en gebruikt. Inhoud Tridata hecht er aan om cursisten tijdens de cursussen hands-on ervaring op te laten doen. Dus op basis van gedegen theorie meteen toepassen in de praktijk. Elke dag bestaat daarom voor ongeveer de helft uit oefeningen onder begeleiding van onze ervaren docenten. Dag 1. Werken met tekst en informatie-extractie Toepassingen: webmining, tekst opschonen, detectie van fraude (plagiaat), informatie-extractie. Tekst-extractie: tekst ontsluiten uit pdf, webpagina’s, word documenten Technische aspecten: encoding standaarden Informatie-extractie met reguliere expressies (regular expressions) Approximate (fuzzy) text matching Dag 2: Tekstanalyse en interpretatie. Technieken om de vraag te beantwoorden: waar gaan deze teksten over? Bag-of-words, term-document matrix Tekst verkennen: beschrijvende statistiek en keywords in context Tekst visualiseren: word clouds, comparison word clouds Beschrijvende statistieken Topic models: Latent Semantic Analysis (LSA) Latent Dirichlet Allocation (LDA) Dag 3: Tekst als predictor Toepassingen: gebruik van tekstgegevens om eigenschappen en sentiment van de auteurs af te leiden. Meer over term-document matrix en feature extraction Word embeddings Sentimentanalyse / opinion mining Gebruik van tekst in Statistische en Machine Learning modellen. Doelgroep Business Intelligence en Data analisten die hun kennis willen uitbreiden met text processing en text mining vaardigheden Teammanagers van BI en Data analisten Jonge academici die een carrière ambiëren als Data Scientist. Specialisten die hun kennis over het analyseren van tekst op peil willen brengen. Vereiste voorkennis Enige bekendheid met basis statistiek wordt verondersteld. Verder verwachten we enige bekendheid met de statistische programmeeromgeving R. Bijvoorbeeld op basis van (de eerste twee dagen van) de Tridata Cursus Statistical Programming with R. Tools Tijdens de cursus wordt gewerkt met de meest recente versie van R en RStudio, plus een aantal R-packages voor text-processing en analyse. Gerelateerde opleidingen Statistical programming met R Gevorderd statistical programming met R Package in één dag: schrijf je eigen R package Netwerkanalyse met R Kosten en inschrijving De kosten van de 3-daagse cursus bedragen € 1975 per deelnemer. De cursusprijs is vrijgesteld van BTW (BTW-tarief 0%) en is inclusief cursusmateriaal, deelnamecertificaat, koffie / thee en lunches. In-company training Deze training kan in huis (bij uw organisatie) worden gegeven. In overleg past tridata de cursus  aan de  wensen van de cursisten. Voor meer informatie kunt u contact met ons opnemen. Plaats Europalaan 400, 3526 KS Utrecht De Docenten Dr. Mark van der Loo studeerde cum laude af in de informatische chemie aan de Katholieke Universiteit Nijmegen (een combinatie van scheikunde, wiskunde, en informatica). Na zijn promotie op een onderwerp uit de quantumfysica is hij werkzaam als statistisch onderzoeker bij het CBS met als specialiteit statistical computing and modeling, data cleaning en text processing. Over deze onderwerpen publiceert hij op conferenties en in peer reviewed journals. Mark is expert op het gebied van R, python,  en (multicore) C programming en heeft verschillende R-packages op CRAN gepubliceerd. Een van die packages wordt onder andere door Wikimedia Foundation gebruikt voor tekstanalyse van Wikipedia paginas. Mark werkt sinds 2012 als consultant en docent voor Tridata. Drs. Edwin de Jonge Studeerde af in de theoretische natuurkunde aan de Katholieke Universiteit Nijmegen. Na zich enkele jaren the hebben gespecialiseerd in softwareontwikkeling is hij als onderzoeker gaan werken bij het CBS met als specialiteit statistical computing and modeling, data management en data visualisatie. Over dit laatste onderwerp publiceerde Edwin onder andere een paper voor de prestigieuze IEEE VisWeek conferentie. Edwin is expert op het gebied van verschillende programmeertalen waaronder C++, javascript, python en R. In die laatste taal ontwikkelde hij een package wat inmiddels meer dan 120.000 maal per maand wordt gedownload van de CRAN servers. Edwin werkt sinds 2012 als consultant en docent voor Tridata. Edwin en Mark zijn auteur van het boek ‘Learning R Statistical Computing with Rstudio‘ (Packt publishing, 2012) en werken momenteel, aan een boek over ‘Statistical Data Cleaning with Applications in R‘ (te verschijnen bij Wiley). In 2013 gaven zij een tutorial op de grootste R conferentie ter wereld (useR!2013) getiteld “an introduction to data cleaning with R”.

Cursus Data Science met Python Data Science is een multidisciplinaire benadering om bruikbare inzichten te extraheren uit grote hoeveelheden gestructureerde en ongestructureerde gegevens. In deze cursus leert u patronen te onthullen en stakeholders in staat te stellen om op basis van data geïnformeerde conclusies te trekken. Moduleopbouw cursus Data Science met Python De cursus volgt de belangrijkste fasen van een Data Science project: Problem identification & Business understanding Collecting & Pre-processing data Analysing data & Data Modelling Model Evaluation & Deployment Driving insights & Taking decisions Inhoud per dag Dag 1: Inleiding tot Data Science en Tools Introductie tot Data Science en Machine Learning. Installatie en configuratie van Python, Jupyter Notebook, NumPy, Pandas en Scikit-learn. Basisprincipes van data-analyse en visualisatie met Pandas en Matplotlib. Dag 2: Data Preprocessing en Feature Engineering Data cleaning: behandeling van ontbrekende waarden, uitschieters en dubbele gegevens. Feature engineering: creatie en transformatie van kenmerken om de voorspellende kracht te vergroten. Hands-on oefeningen met echte datasets. Dag 3: Supervised Learning Technieken Algoritmen: lineaire/logistische regressie, KNN, decision trees, random forests en boosting. Model evaluatie: kruisvalidatie, precisie, recall en F1-score. Bouwen en valideren van modellen op praktijkdata. Dag 4: Introductie tot Deep Learning Basisprincipes: neurale netwerken, activatiefuncties en feedforward propagation. Introductie tot frameworks zoals TensorFlow. Trainen van neurale netwerkmodellen voor classificatie en regressie. Dag 5: Interpreteerbare AI en Model Interpretatie Belang van transparantie in machine learning. Technieken: SHAP (SHapley Additive exPlanations), LIME en Partial Dependence Plots (PDP). Verklaren van modelvoorspellingen en besluitvorming. Na afronding van de opleiding Beschikt u over allround kennis om de impact van Big Data in uw organisatie in te schatten. Kunt u zelfstandig gegevens opschonen, analyseren en visualiseren met Python. Bent u in staat om een data science project in logische, onafhankelijke stappen op te delen. Kunt u complexe modellen interpreteren en vertalen naar bruikbare business inzichten. Waarom de cursus Data Science met Python bij Tridata volgen? Tridata is het enige instituut dat een door de Vereniging voor Statistiek & Operationele Research (VVS-OR) erkende cursus statistiek aanbiedt. De cursus Data Science van Tridata is een multidisciplinaire cursus die wordt gegeven door drie verschillende docenten met ruime ervaring op het gebied van Python, R, statistical modeling en machine learning. Tip: Werkt u liever met R? Bekijk dan onze 5-daagse cursus Statistical Programming met R. Praktische Informatie Doelgroep: Projectmanagers, BI-consultants, analisten en IT-managers. Vooropleiding: Minimaal HBO-niveau en basiskennis van ICT-systemen. Basiskennis van programmeren is een pré. Studiebelasting: 5 dagen (één dag per week). 8 uur op de cursusdag en 2-4 uur zelfstudie per week. Lestijden: 09:15 tot 16:00 (uitloop tot 16:15). Locatie: In-company mogelijkheden of op locatie in Utrecht. Docenten Dr. M. (Mark) van der Loo studeerde cum laude af in de informatische chemie aan de Katholieke Universiteit Nijmegen (een combinatie van scheikunde, wiskunde, en informatica). Na zijn promotie op een onderwerp uit de quantumfysica is hij werkzaam als statistisch onderzoeker bij het CBS met als specialiteit statistical computing and modeling, data cleaning en text processing. Over deze onderwerpen publiceert hij op conferenties en in peer reviewed journals. Mark is expert op het gebied van R, python,  en (multicore) C programming en heeft verschillende R-packages op CRAN gepubliceerd. Een van die packages wordt onder andere door Wikimedia Foundation gebruikt voor tekstanalyse van Wikipedia paginas. Mark werkt sinds 2012 als consultant en docent voor Tridata. Drs. E(Edwin) de Jonge Studeerde af in de theoretische natuurkunde aan de Katholieke Universiteit Nijmegen. Na zich enkele jaren the hebben gespecialiseerd in softwareontwikkeling is hij als onderzoeker gaan werken bij het CBS met als specialiteit statistical computing and modeling, data management en data visualisatie. Over dit laatste onderwerp publiceerde Edwin onder andere een paper voor de prestigieuze IEEE VisWeek conferentie. Edwin is expert op het gebied van verschillende programmeertalen waaronder C++, javascript, python en R. In die laatste taal ontwikkelde hij een package wat inmiddels meer dan 120.000 maal per maand wordt gedownload van de CRAN servers. Edwin werkt sinds 2012 als consultant en docent voor Tridata. Edwin en Mark zijn auteur van het boek ‘Learning R Statistical Computing with Rstudio’ (Packt publishing, 2012) en werken momenteel, aan een boek over ‘Statistical Data Cleaning with Applications in R’ (te verschijnen bij Wiley). In 2013 gaven zij een tutorial op de grootste R conferentie ter wereld (useR!2013) getiteld “an introduction to data cleaning with R”. Dr. ir. J.(Jan) van der Laan Dr. ir. J.(Jan) van der Laan studeerde af op het gebied van signaalverwerking bij de de faculteit technische natuurkunde aan de Technische Universiteit Delft. Na zijn promotie op het gebied van medical physics is hij als statistisch onderzoeker werkzaam bij het CBS. Op het CBS houdt hij zich onder andere bezig met statistische analyse en regressietechnieken, data visualisatie en het verwerken en koppelen van grote bestanden. Over deze onderwerpen publiceert hij op conferenties en peer reviewed journals. Jan is expert op het gebied van  meerdere programmeertalen waaronder C++, Javascript, D3.js en R. Hij heeft bijdragen geleverd aan meerdere R packages op CRAN. Jan werkt sinds 2015 als consultant en docent bij Tridata.

Doel De cursus data-visualisatie is een hands-on cursus waarin je met verschillende moderne visualisatietools aan de slag gaat om data weer te geven. Ieder praktisch onderdeel wordt voorafgegaan door theorie en best practices. De cursist leert data te vertalen naar effectieve weergaven waarbij ingegaan wordt op de “do’s” and “don’ts”. Esthetische en design-aspecten komen aan bod, maar het accent van de cursus ligt op het tonen en op effectieve wijze zichtbaar maken van patronen in de data. We gebruiken hiervoor de state-of-the-art tools zoals R en d3 JavaScript. Inhoud Tridata hecht er aan om cursisten tijdens de cursussen hands-on ervaring op te laten doen. Dus op basis van gedegen theorie meteen toepassen in de praktijk. Elke dag bestaat daarom voor ongeveer de helft uit oefeningen onder begeleiding van onze ervaren docenten. De cursus bestaat uit drie dagen, waarin de volgende aspecten behandeld worden. Dag 1: Datavisualisatie basiskennis, wanneer gebruik je welke grafiek, do’s and don’ts van het maken van visuals, soorten variabelen en hun visuele vertaling, effectieve kleurschalen Met de basiskennis wordt ervaring opgedaan met behulp van het on-line visualisatietool Vega-lite. Dag 2: Datavisualisatie met R met behulp van ggplot2. Hoe te gaan van een snelle data analyse tot een visualisatie die rijp is voor publicatie Cartografische thematische kaarten met R. Dag 3: Datavisualisatie met JavaScript d3. Gebaseerd op enkele veel voorkomende d3 basispatronen worden statistische en dynamische d3 visualisaties gemaakt. Dashboards met crossfilter en dc.js. Na afloop van de cursus kunnen deelnemers zelf data omzetten in verschillende visualisaties die hun boodschap of analyse naar voren brengt: Vereiste voorkennis We verwachten enige bekendheid met JavaScript en R en enige algemene bekendheid met algemene programmeerconcepten zoals loops en if-else statements. De cursisten worden uitgenodigd een dataset mee te nemen, die ze tijdens de cursus kunnen gebruiken om op te oefenen. Doelgroep BI- en data-analyse specialisten die regelmatig met JavaScript en R werken en hun inzichten willen omzetten in effectieve, mooie en interactieve grafieken. Teammanagers van BI- en data-analisten. Jonge academici die een carrière ambiëren als Data Scientist. Specialisten die hun visualisatie kennis willen verdiepen en hun productiviteit willen verhogen. Tools Tijdens de cursus wordt gewerkt de online tools voor basisprincipes en d3. Voor R wordt gewerkt met RStudio. Daarnaast wordt gebruikt gemaakt van een aantal R-packages voor maken van grafieken. Kosten en inschrijving De kosten van de driedaagse cursus bedragen € 2250. De cursusprijs is vrijgesteld van BTW (BTW-tarief 0%) en is inclusief cursusmateriaal, deelnamecertificaat, koffie / thee en lunch. In-company De cursus datavisualisatie kan onder voorwaarden ook in huis (bij uw organisatie) worden gegeven. In overleg kan Tridata de cursus aan de wensen van de cursisten aanpassen. Voor meer informatie kunt u contact met ons opnemen Cursuslocatie Europalaan 400, 5e verdieping 3526 KS Utrecht De Docenten Drs. E(Edwin) de Jonge Studeerde af in de theoretische natuurkunde aan de Katholieke Universiteit Nijmegen. Na zich enkele jaren zich te hebben gespecialiseerd in softwareontwikkeling is hij als onderzoeker gaan werken bij het CBS met als specialiteit data visualisatie en statistical computing and modeling. Over het eerste onderwerp publiceerde Edwin verschillende papers voor de prestigieuze IEEE VisWeek conferentie, over hiërarchische kleurschalen en tableplots. Edwin is expert op het gebied van verschillende programmeertalen waaronder C++, python, JavaScript en R. Edwin werkt sinds 2012 als consultant en docent voor Tridata. Dr. Ir. K. O. (Olav) ten Bosch Studeerde af in de theoretische informatica aan de TU Delft en promoveerde in de elektrotechniek aan diezelfde universiteit. Hij heeft een brede ervaring op het gebied van software ontwikkeling in het bijzonder op het gebied van internet gerelateerde metadata standaarden en visualisatietechnieken. Olav is op dit moment werkzaam bij het CBS als projectmanager van onder meer internationale projecten. Daarnaast is hij sinds 2009 actief op het gebied van interactieve datavisualisaties via DrasticData. Olav en Edwin schreven in 2008 het research paper “Visualising Official Statistics” in het statistical journal of the IAOS.

Doel van de cursus Medische statistiek Het doel van de cursus Medische statistiek is het verdiepen van de statistische kennis met betrekking tot de opzet, uitvoering en evaluatie van wetenschappelijk onderzoek. Het kiezen van de juiste analyse methode gegeven de epidemiologische vraag en de meetschaal van de uitkomstvariabele. Diverse kansverdelingen en het gebruik in de medische statistiek. Het schatten van betrouwbaarheidsintervallen alsook het statistisch toetsen van data onder een vooraf opgestelde nulhypothese in de volgende gevallen: één gemiddelde van continue data , twee gepaarde gemiddelden, twee onafhankelijke gemiddelden, één proportie, gepaarde proporties, twee onafhankelijke proporties. Basiskennis van niet-parametrische toetsen Inhoud van de cursus Medische statistiek Dag 1 Introductie Meetschalen, beschrijvende statistiek Kans/kansverdelingen Binomiale/normale/lognormale verdeling Steekproeven, kansverdeling van steekproefgemiddelde Betrouwbaarheidsinterval rond gemiddelde en toetsen van hypothesen Dag 2 Analyse van kwantitatieve variabelen De t-verdeling/Gepaarde t-toets/Onafhankelijke t-toets Niet-parametrische methoden Scheef verdeelde variabelen Dag 3 Analyse van kwalitatieve variabelen Analyseren van één proportie Vergelijken van 2 proporties Chi-kwadraat verdeling Analyse van 2*2 tabellen: risicoverschil/relatief risico/odds ratio Doelgroep De cursus is bestemd voor clinici, (dieren-)artsen, arts-onderzoekers, gezondheidswetenschappers, farmaceuten, epidemiologen,( laboratorium) onderzoekers,en iedereen die werkzaam is op medisch-biologisch- en verwant gebied, die zich willen bekwamen in moderne statistische methoden voor het beschrijven en analyseren van waarnemingsuitkomsten. Docent Mevrouw dr. V. Coupé is universitair docent aan de afdeling Epidemiologie en Biostatistiek van het VU Medisch Centrum in Amsterdam. Haar onderzoek richt zich met name op ziekte modellering met als doel het voorspellen van klinische en economische uitkomsten van preventieve, diagnostische en behandelstrategieën. Haar toepassingsgebied is de oncologie, met name baarmoederhalskanker, darmkanker, longkanker en melanoma. Ze geeft onderwijs op het gebied van de biostatistiek, kosten-effectiviteit en ziektemodellering. Zij is verbonden aan Tridata als docent en trainer. In-company training De cursus Medische statistiek kan tevens als in-company training (op een locatie van uw keuze) worden gegeven. In overleg wordt het aantal deelnemers van uw organisatie bepaald en past Tridata de cursus aan uw specifieke wensen. Neemt u voor een maatwerkofferte contact op met Tridata. Kosten en inschrijving De kosten van de cursus Medische statistiek bedragen € 1950. De cursusprijs is vrijgesteld van BTW (BTW-tarief 0%) en is inclusief cursusmateriaal, deelnamecertificaat, koffie / thee en lunch. Cursuslocatie Europalaan 400 | 3526 KS Utrecht Docenten Dr. S.C. (Susanna) Gerritse studeerde psychometrie aan de Universiteit van Amsterdam. Daarna was zij werkzaam als promovenda bij de Universiteit Utrecht op een statistisch-methodologisch project in samenwerking met het Centraal Bureau voor de Statistiek. Haar proefschrift behandelde het schatten van populatiegrootte, toegepast op officiële statistieken. Tevens was Dr. Gerritse verbonden aan de VU als Universitair Docent, waar zij statistiekcolleges verzorgde. Tegenwoordig werkt Dr. Gerritse als Data Scientist bij Inpaqt en is sinds 2018 verbonden aan Tridata als statistiekdocente. Dr. A. (Anouck) Kluytmans studeerde methoden en statistiek aan de Universiteit Utrecht. Gedurende haar studies deed ze ruime ervaring op met onderwijs in onderzoeksmethoden en data-analyse op bachelor-, master- en postgraduate niveau. Ook werkte ze als statistisch en toegepast onderzoeker. In haar proefschrift gebruikte ze statistische modellen, aangevuld door kwalitatieve dataverzameling, om al in een vroeg stadium in te schatten wat de potentiële meerwaarde van medisch-technologische innovaties is. Vanuit dit onderzoek adviseerde ze bovendien publiek-private samenwerkingen hoe zij deze methoden konden toepassen om investeringsbeslissingen te verantwoorden. Tijdens dit promotieonderzoek aan het Radboud UMC bleef Anouck actief als docent onderzoeksmethoden en statistiek. Zij zet nu haar expertise op het gebied van onderzoek en data-analyse in om universitair onderwijs te verbeteren. Met haar aansluiting bij Tridata wil Anouck cursisten uit diverse contexten laten ervaren hoe zij zich de rol van onderzoeker en data-analist in korte tijd kunnen aanmeten en hen tools meegeven om praktische vraagstukken zelfstandig te beantwoorden.

Na inschrijving van de Award Winning E-learning training Advanced Programming in Go, ontvangt u per e-mail een link om in te loggen in uw leeromgeving waar u een persoonlijk wachtwoord aanmaakt. Eenmaal ingelogd in uw persoonlijke leeromgeving ziet u een overzicht van de cursusonderdelen. Via de inhoudsopgave schakelt u automatisch over naar elk gewenst onderdeel van de training. Er zit tevens een Voortgangsbewaking bij om eenvoudig te zien hoe ver u bent binnen uw training. U kunt daarbij 1 jaar lang (365 dagen), 24/7 (elke dag en nacht) inloggen om verder te gaan met de training. Deze Engelstalige training met ondertiteling heeft interactieve, eenvoudig te volgen video's in HD beeldkwaliteit met heldere audio kwaliteit. Daarnaast biedt de training Support en/of een Online Mentor aan als u problemen ondervindt. De training is beschikbaar in elke browser voor zowel PC, Mac, Tablet én Smartphone. Dus zelfs via uw mobiel kunt u handig de training volgen. De training is inclusief lees- en/of praktijkopdrachten met trainingstest, mits noodzakelijk voor de training. Na afronding van de training krijgt u een Certificaat van Deelname en sluit u zich aan bij de reeds duizenden tevreden cursisten. Cursusinhoud Advanced Programming in Go: Deep Dive into Packages Course: 1 Hour, 24 Minutes Course Overview Go Packages Rationale for Using Go Packages Naming Packages and Package Components Using Nested Packages in Go Declaring and Configuring Packages in Go Importing Packages Using Alternate Import Methods Documenting Custom Packages Package Best Practices Using the init() Function Working with Modules and Packages Course Summary Advanced Programming in Go: Concurrency Course: 57 Minutes Course Overview Sequential Programming Concepts Single Versus Multi-threaded Programming Concurrency and Parallelism Rationale for Concurrency Concurrency in Go Concurrency Primitives in Go Confinement Options Concurrency Patterns Using Concurrency to Improve Performance Course Summary Advanced Programming in Go: Goroutines Course: 1 Hour, 27 Minutes Course Overview Goroutines Creating Goroutines Using Closures in Goroutines Creating Anonymous Goroutines The Packages sync and sync/atomic Creating and Using Wait Groups Implementing Atomic Operations Using Mutexes Race Conditions in Goroutines Simulating Race Conditions Race Conditions vs Data Races Avoiding Data Race Detecting Race Conditions Course Summary Advanced Programming in Go: Go Channels Course: 1 Hour, 7 Minutes Course Overview Goroutines Creating Goroutines Using Closures in Goroutines Creating Anonymous Goroutines The Packages sync and sync/atomic Creating and Using Wait Groups Implementing Atomic Operations Using Mutexes Race Conditions in Goroutines Simulating Race Conditions Race Conditions vs Data Races Avoiding Data Race Detecting Race Conditions Course Summary Advanced Programming in Go: Accessing Databases Course: 1 Hour, 15 Minutes Course Overview Database Access in Go Programs Installing MySQL Database Creating a MySQL Database Using Wbench Accessing Databases with Go Performing Data Retrieval Operations with Go Using Prepared Statements with Go Programs Performing Data Manipulation Operations with Go Executing Transactions with Go Handling Errors, Nulls, and Unknown Columns with Go Course Summary Advanced Programming in Go: Testing & Deploying Go Programs Course: 1 Hour, 5 Minutes Course Overview Test Techniques for Go Programs Approaches to Debugging Go Programs Debugging Go Programs Using Unit Testing against a Go Program Measuring Test Coverage for Go Programs Building and Installing Go Applications On-premises Deploying Go Applications Deploying Go Applications to the Cloud Course Summary Advanced Programming in Go: Best Practices for Go Programming Course: 1 Hour, 16 Minutes Course Overview Go Programming Best Practices Best Practices for Organizing Go Code Using Best Practices for Documenting Go Programs Using Best Practices for Organizing Go Code Best Practices for Error Handling in Go Programs Applying Best Practices to Error Handling in Go Best Practices for Data Handling in Go Using Best Practices for Data Handling in Go Concurrency Best Practices in Go Ensuring Best Practice in Concurrent Programs Best Practices for Testing in Go Applying Best Practices to Testing in Go Course Summary Specificaties Taal: Engels Kwalificaties van de Instructeur: Gecertificeerd Cursusformaat en Lengte: Lesvideo's met ondertiteling, interactieve elementen en opdrachten en testen Lesduur: 8:31 uur Voortgangsbewaking: Ja Toegang tot Materiaal: 365 dagen Technische Vereisten: Computer of mobiel apparaat, Stabiele internetverbindingen Webbrowserzoals Chrome, Firefox, Safari of Edge. Support of Ondersteuning: Helpdesk en online kennisbank 24/7 Certificering: Certificaat van deelname in PDF formaat Prijs en Kosten: Cursusprijs zonder extra kosten Annuleringsbeleid en Geld-Terug-Garantie: Wij beoordelen dit per situatie Award Winning E-learning: Ja Tip! Zorg voor een rustige leeromgeving, tijd en motivatie, audioapparatuur zoals een koptelefoon of luidsprekers voor audio, accountinformatie zoals inloggegevens voor toegang tot het e-learning platform.

Doel Er zijn twee soorten statistiek, en deze twee verschillen fundamenteel. De ene vorm, de klassieke, is ontwikkeld tussen 1930 en 1960, met als grote voorman Ronald Fisher. Deze theorie vult vrijwel alle leerboeken en ligt ten grondslag aan 80% van de wetenschappelijke publicaties over statistiek. De andere statistiek heet de Bayesiaanse statistiek. Bij Bayesiaanse kansen wordt uitgegaan van reeds bekende kansen, a-priori kansen, op basis van eerder onderzoek. Als de waarde hiervan niet bekend is, kan hiervoor ook het oordeel van een expert (ervaringsdeskundige) worden gevraagd. Hij zal dan een bepaalde waarschijnlijkheid toekennen aan gebeurtenissen. De Bayesiaanse methoden zijn in de afgelopen tien jaar in populariteit gegroeid door de vondst van slimme methoden om de a-posteriori verdeling te simuleren. Methoden als MCMC en Bayesian Belief networks worden gebruikt om de Bayesiaanse gevolgtrekking te ondersteunen. Succesvolle toepassingen van de Bayesiaanse statistiek zijn onder meer te vinden in de geneeskunde, economie, astronomie, archeologie, ruimtevaart en kernfysica. Na afloop van de cursus zullen de cursisten in staat zijn zelfstandig Bayesiaanse statistische analyses op verantwoorde wijze uit te voeren. Achtergrond Er zijn enkele termen die gewoonlijk gebruikt worden door Bayesiaanse statistici. Eén daarvan is de a-priori waarschijnlijkheid, P(A). Dit is de kans dat een gebeurtenis is opgetreden voordat er ook maar enige data geobserveerd is. Een tweede term is de a-posteriori waarschijnlijkheid, P(A|B). Deze refereert naar de kans dat een gebeurtenis is opgetreden nadat met geobserveerde data rekening is gehouden. Een derde erg gebruikelijke term is de likelihood, P(B|A), deze wordt gebruikt om de conditionele kans te beschrijven van de data gegeven een bepaald model. Inhoud Day 1: Introduction Bayesian Analysis Frequentist and Bayesian Analysis Likelihood Conditional probability Bayes’ Rule/Principle Bayesian Analysis Prior distributions: beta distribution WinBugs Examples Summary PracticeDay 2: Example Test Validation and Prevalence One Test One population Appearant Prevalence and True Prevalence Expert Opinion and selection of Priors Two Tests Two Populations Validity of assumptions Correlated Tests Known Issues Examples Summary Convergence and model fit Gibbs sampler and convergence Trace plots and Autocorrelation Geweke’s test Brooks Gelman Rubins test Bayesian Model fit Practice Doelgroep Onderzoekers die in hun werkveld geconfronteerd worden met data analyse en daar graag meer dan alleen een klassiek statistische analyse van willen uitvoeren. Kosten en inschrijving De kosten van de 3-daagse cursus bedragen € 2675. De cursusprijs is vrijgesteld van BTW (BTW-tarief 0%) en is inclusief cursusmateriaal, deelnamecertificaat, koffie / thee en lunch. De cursus gaat door bij minimaal vier cursisten per dag. Indien het minimaal benodigde aantal cursisten niet wordt behaald, kan de cursus voor een in overleg nader te bepalen meerprijs per dag voor een kleiner aantal cursisten worden gegeven. Cursuslocatie Europalaan 400, 5e verdieping 3526 KS Utrecht Cursusdata Gaat bij voldoende aanmeldingen van start. De cursus gaat door bij minimaal zes cursisten per dag. Indien het minimaal benodigde aantal cursisten niet wordt behaald, kan de cursus voor een in overleg nader te bepalen meerprijs per dag voor een kleiner aantal cursisten worden gegeven. In-company training De cursus Bayesiaanse Statistiek kan tevens in-huis (bij uw organisatie) worden gegeven. In overleg past Tridata de cursus aan de wensen van de cursisten. Neem voor meer informatie contact op met Tridata.

Doel van de cursus data analyse Het doel van de cursus data analyse met SPSS is het bijbrengen (of opfrissen) van de beginselen van de toegepaste toetsende statistiek, het leren kiezen van geschikte (ook meer geavanceerde) toetsingstechnieken, het uitvoeren van deze statistische analyses en het interpreteren van de uitkomsten. Inhoud van de cursus data analyse Dag 1 1. Basisbegrippen + toepassing in spss •    Descriptieve univariate statistiek (absolute en cumulatieve frequenties, centrum- / spreidingsmaten en grafische weergave) •    Statistische basisbegrippen (betrouwbaarheid, nauwkeurigheid, validiteit, representativiteit) •    Basisbegrippen inductieve statistiek (hypothese toetsen, statische significantie, statistische power, populatieverdeling, steekproevenverdeling, confidentie-intervallen, z-scores, t-scores, steekproefgrootte) Dag 2 Toetsende Statistiek I  + toepassing in SPSS •    Hypothesetoetsing en Variantie-analyse o    Vergelijken van twee populatiegemiddelden (t-test) o    Vergelijken van twee populatieproporties (z-test) o    Vergelijken van meerdere populatiegemiddelden (ANOVA, GLM) inclusief interactie o    Vergelijken van meerdere populatiegemiddelden met controlevariabele (ANCOVA) Dag 3 Toetsende Statistiek II + toepassing in spss •    Correlatie (bivariaat) o     Verschillende statistische toetsen •    Lineaire Regressie o    Simple Linear Regression (bivariaat) o    Multiple Linear Regression (multivariaat) o    Interactie, Multicollineariteit, Dummyvariabelen •    Categorische variabelen o    Kruistabellen met Chi-square en assumpties Dag 4 Toetsende Statistiek III + toepassing in SPSS Non-parametrische toetsen •    Wilcoxon rank-sum test •    Mann-Whitney test •    Wilcoxon signed-rank test •    Kruskal-Wallis •    Friedman test Dag 5 Werken met latente variabelen •    Basisbegrippen latente data-analyse •    Klassieke schaaltechnieken (m.n.Likert) •    Toetsen van uniedimensionale schalen (Cronbach’s Alpha, Split-half) •    Factoranalyse (Principale Component Analyse, Principale Factor Analyse) Doelgroep De cursus data analyse is bestemd voor personen, die in de toekomst onderzoek willen gaan doen of al onderzoek doen of willen leren uitkomsten van onderzoek van anderen te begrijpen en kritisch te beschouwen Vereiste voorkennis Men dient bekend te zijn met statistische basisbegrippen als steekproeftrekking, variabelen en onderzoekseenheden, meetniveaus en kansverdelingen. Ook wordt verondersteld dat men bekend is met de beschrijvende statistiek, en dus met de meest voorkomende centrum- en spreidingsmaten zoals het gemiddelde, de mediaan, variantie en standaarddeviatie en met frequentieverdelingen. Verder dienen cursisten enige ervaring te hebben met het gebruik van SPSS omdat hier tijdens de computerpractica mee wordt gewerkt. Kort samengevat: om de cursus data-analyse met succes af te kunnen ronden dient u de statistiek te beheersen op het niveau van de cursus toegepaste statistiek en data analyse. Beschikt u niet over de vereiste voorkennis of twijfelt u, neem dan contact met ons op. Kosten De kosten van de 5-daagse cursus data analyse bedragen € 2675. Deze prijs is vrijgesteld van BTW (BTW-tarief 0%) en is inclusief cursusmateriaal, deelnamecertificaat, koffie/thee, lunches en boeken. Tijdens de cursus wordt o.a. gebruikgemaakt van het boek Discovering Statistics Using SPSS van Andy Field– De opleidingskosten van Tridata zijn BTW-vrij (BTW 0%) en dat scheelt u 21% aan kosten. – De Belastingdienst betaalt mee aan uw opleidingskosten. Het bedrag dat u mag aftrekken als studiekosten en andere scholingsuitgaven, is maximaal € 15000 euro. Kijk voor meer informatie over aftrek van studiekosten en andere scholingsuitgaven op de site van de belastingdienst. Waarom de cursus volgen bij Tridata? – Tridata is het enige instituut wat een door de Vereniging voor Statistiek & Operationele Research (VVS-OR) erkende opleiding statistiek aanbiedt. – Tridata werkt uitsluitend met hoogleraren en gepromoveerde wetenschappers. De docenten hebben diverse wetenschappelijke artikelen gepubliceerd in boeken en tijdschriften en beschikken over bewezen didactische (onderwijskundige) vaardigheden. Cursuslocatie Europalaan 400 | 3526 KS Utrecht In-company training De cursus data-analyse kan ook in-company training (op een locatie van uw keuze) worden gegeven. In overleg wordt het aantal deelnemers van uw organisatie bepaald en past Tridata de cursus aan uw kennisbehoefte. Neemt u voor een maatwerkofferte contact op met Tridata. Docent: Dr. Y. Grift Mw. Dr. Y. Grift is econometriste, afgestudeeerd aan de Universiteit van Amsterdam. Zij is in 1998 gepromoveerd op het proefschrift “Female Labour supply. The influence of taxes and social premiums” aan de Universiteit Utrecht. Mw. dr. Grift werkt sinds 1982 aan de Universiteit Utrecht als universitair docent. Sinds de oprichting van de Utrecht School of Economics doceert ze wiskunde, statistiek en econometrie. Door haar jarenlange ervaring als docent én als onderzoeker is zij in staat om niet alleen de materie helder en gestructureerd uit een te zetten maar ook om toepassingen te geven die dicht bij de belevingswereld van de cursisten/ studenten liggen. Voor Tridata verzorgt zij SPSS advanced, STATA, econometrie en data-analyse.

Doel Een betere onderbouwing van kwantitatieve conclusies Gepaste analysetechniek kiezen De analyseresultaten correct interpreteren en rapporteren Inhoud Introductie Factoranalyse Principale component analyse Clusteranalyse Logistische regressie Discriminant analyse Doelgroep De cursus Factor analyse wordt afgestemd op  WO-ers die hun kennis willen verbreden en/of opfrissen. De inhoudsopgave kan worden aangepast aan de wensen van de cursisten. Vereiste voorkennis Kennis van distributies, betrouwbaarheidsintervallen, statistische testen. Duur 4 dagen Docent De cursus wordt verzorgd door verschillende docenten In-company training De cursus kan ook in-company (= bij uw organisatie) worden gegeven. In overleg past tridata de training aan uw wensen. Voor meer informatie kunt u contact met ons opnemen. Datum Bij voldoende aanmeldingen (minimaal 6) start de cursus in overleg met de deelnemers. Zie ook de zie cursus data-analyse. Kosten en inschrijving De kosten van de cursus bedragen € 2450. De cursusprijs is vrijgesteld van BTW (BTW-tarief 0%) en is inclusief cursusmateriaal, deelnamecertificaat, koffie / thee, luxe lunches en inclusief boek.

Inleiding cursus data analyse met R Tridata, Instituut voor toegepaste statistiek en data-analyse, biedt een zesdaagse cursus data-analyse met R aan, waarin een breed overzicht wordt gegeven van statistische theorie en van de mogelijkheden om deze statistische theorie te vertalen naar statistische vaardigheden. Het moge duidelijk zijn de toepassing van statistische analysetechnieken staat centraal. Voor zowel cursisten met basale statistische kennis als voor cursisten met meer ervaring op het terrein van de statistiek zal deze cursus een geweldige mogelijkheid bieden om in een korte tijdspanne (nog meer) gedegen kennis en vaardigheid op te doen betreffende het opzetten, uitvoeren en interpreteren van statistische analyses. Inhoud cursus data analyse met R In de cursus data analyse met R wordt ingegaan op het onderzoekstraject, dat een cursist doorloopt. De cursist krijgt een bruikbaar kader aangereikt, waardoor zij/hij na deze cursus in staat zal zijn zelfstandig statistische analyses te verrichten inclusief een verantwoorde interpretatie van de onderzoeksresultaten. Er wordt aandacht besteed aan de verschillen tussen beschrijvende, toetsende en verklarende statistiek en er wordt tevens aandacht besteed aan het correct opstellen en het zo zorgvuldig mogelijk operationaliseren van een onderzoeksvraag. De cursist raakt vertrouwd met de manier waarop een onderzoeksvraag kan worden vertaald naar de uit te voeren statistische analyses. Gedurende de eerste cursusdag leert de student omgaan met het computerprogramma R, dat zij/hij nodig heeft tijdens de daarop volgende dagen, die gevuld zullen zijn met een scala aan statistische analysetechnieken. Eindtermen cursus data analyse met R Na de afronding van deze cursus: Heeft de cursist kennis en inzicht in het verloop van een onderzoekstraject; Heeft de cursist inzicht in en kennis van statistische analysetechnieken, zowel op basisniveau als op geavanceerd niveau; Is de cursist in staat de keuze voor een specifieke statistische analyse te verantwoorden; Heeft de cursist een degelijke kennis van de achtergrond van de behandelde statistische analyses; Is de cursist in staat om statistische analyses adequaat toe te passen op concrete onderzoeksvragen en is zij/hij tevens in staat om de geproduceerde resultaten van deze analyses te interpreteren; Is de cursist in staat om de statistische analyses van het eigen onderzoek zelfstandig uit te voeren. Cursusinhoud cursus data analyse met R Dag 1 Introductie computerprogramma R Inleiding R; hulp krijgen; de R community; packages. Werken met de commandline en RStudio. Rekenen met vectoren (kolommen) en data.frames (tabeldata) Lezen en schrijven van tekstbestanden Nieuwe variabelen maken Eenvoudige plots: boxplot, cirkeldiagram, histogram Selecteren van rijen en kolommen Hercoderen en hernoemen van variabelen Koppelen en sorteren Data groeperen en aggregeren Random sampling van records (selecteren van ‘cases’ uit een gegevensbestand) Dag 2 Wat is statistiek, wanneer en hoe kan statistiek worden gebruikt (Basisbegrippen statistiek + toepassing in R) Plaats van statistiek in het onderzoeksproces Basisbegrippen beschrijvende statistiek (meetniveaus variabelen, absolute en cumulatieve frequenties, centrum- / spreidingsmaten en grafische weergave) Basisbegrippen toetsende/verklarende statistiek (hypothese toetsen, statische significantie, statistische power, populatieverdeling, soorten steekproeven, steekproefgrootte, steekproevenverdeling, betrouwbaarheidsintervallen, z-scores, t-scores) Grafieken (staafdiagram, histogram, boxplots, scatterplot) Ontbrekende waarden (missing values) en extreme waarden (outliers) Statistische basisbegrippen voor meetkwaliteit (betrouwbaarheid, validiteit, representativiteit) Dag 3 Toetsen van hypothesen I + toepassingen in R T-toetsen en Variantie-analyse (maken van een verantwoorde keuze gebaseerd op onderzoeksvragen) Vergelijken van twee populatiegemiddelden middels twee onafhankelijke steekproeven en twee afhankelijke steekproeven (of variabelen) (twee typen t-test ) Vergelijken van twee populatieproporties middels twee onafhankelijke steekproeven (z-test) Vergelijken van meer dan twee populatiegemiddelden (ANOVA, GLM) Vergelijken van meer dan twee populatiegemiddelden met controle(interval)variabele (ANCOVA) Dag 4 Toetsen van hypothesen II + toepassingen in R Correlatie- en regressieanalyse (maken van een verantwoorde keuze gebaseerd op onderzoeksvragen, causaliteit) Correlatie-analyse (bivariaat) Lineaire Regressie-analyse (voorspellingsmodellen) Categorische variabelen Dag 5 Toetsen van hypothesen III + toepassingen in R Regressieanalyse met afhankelijke variabelen van nominaal meetniveau zowel dichotoom als polytoom (maken van een verantwoorde keuze gebaseerd op onderzoeksvragen, causaliteit). Logistische Regressie-analyse (bivariaat en multivariaat) Log-likelihood ratio Wald test Odds-ratio Non-parametrische toetsen (verdelingsvrije toetsen). Waarom verdelingsvrij verkiezen boven niet-verdelingsvrije (parametrische) tegenhangers en wat is het verschil tussen deze twee soorten toetsen? Wilcoxon rank-sum test voor twee onafhankelijke steekproeven Wilcoxon matched pairs signed-rank test voor twee afhankelijke steekproeven of twee afhankelijke variabelen Kruskal-Wallis test voor meer dan twee onafhankelijke steekproeven Friedman test voor meer dan twee afhankelijke steekproeven of meer dan twee afhankelijke variabelen Dag 6 Meetmodellen + toepassing in R + eindopdracht Reduceren van het aantal variabelen met nagenoeg dezelfde inhoud en met hetzelfde aantal antwoordmogelijkheden (met dezelfde inhoud) tot onderliggende begrippen. Basisbegrippen latente data-analyse Klassieke schaaltechnieken (m.n.Likert) Variabelenreductie tot één dimensie of begrip (Cronbach’s Alpha, Split-half) Variabelenreductie tot meerdere dimensies of begrippen middels Factoranalyse (Principale Component Analyse, Principale Factor Analyse) Eindopdracht: De laatste lesmiddag staat in het teken van een eindopdracht, waarbij zelfstandig of in groepjes een onderzoek moet worden uitgevoerd en klassikaal besproken wordt. Het geleerde in de praktijk brengen is het doel van de eindopdracht. Doelgroep De cursus is bestemd voor personen, die in de toekomst onderzoek willen gaan doen of al onderzoek doen of willen leren uitkomsten van onderzoek van anderen te begrijpen en kritisch te beschouwen. Vereiste Voorkennis Men dient bekend te zijn met statistische basisbegrippen als steekproeftrekking, variabelen en onderzoekseenheden, meetniveaus en kansverdelingen. Ook wordt verondersteld dat men bekend is met de beschrijvende statistiek, en dus met de meest voorkomende centrum- en spreidingsmaten zoals het gemiddelde, de mediaan, variantie en standaarddeviatie en met frequentieverdelingen. Kosten en inschrijving De kosten van de 6-daagse cursus data analyse met R bedragen € 3350. Deze prijs is vrijgesteld van BTW (BTW-tarief 0%) en is inclusief cursusmateriaal, deelnamecertificaat, koffie/thee, lunches en boek. Tijdens de cursus wordt o.a. gebruikgemaakt van het boek Discovering Statistics Using R van Andy Field. Het boek van Andy Field is inbegrepen in de prijs. Waarom de cursus volgen bij Tridata? – Tridata is het enige instituut wat een door de Vereniging voor Statistiek & Operationele Research (VVS-OR) erkende opleiding statistiek aanbiedt. – Tridata werkt uitsluitend met hoogleraren en gepromoveerde wetenschappers. De docenten hebben diverse wetenschappelijke artikelen gepubliceerd in boeken en tijdschriften en beschikken over bewezen didactische (onderwijskundige) vaardigheden. Cursuslocatie Europalaan 400, 5e verdieping | 3526 KS Utrecht Docenten Dr. S.C. (Susanna) Gerritse studeerde psychometrie aan de Universiteit van Amsterdam. Daarna was zij werkzaam als promovenda bij de Universiteit Utrecht op een statistisch-methodologisch project in samenwerking met het Centraal Bureau voor de Statistiek. Haar proefschrift behandelde het schatten van populatiegrootte, toegepast op officiële statistieken. Tevens was Dr. Gerritse verbonden aan de VU als Universitair Docent, waar zij statistiekcolleges verzorgde. Tegenwoordig werkt Dr. Gerritse als Data Scientist bij Inpaqt en is sinds 2018 verbonden aan Tridata als statistiekdocente. Dr. A. (Anouck) Kluytmans studeerde methoden en statistiek aan de Universiteit Utrecht. Gedurende haar studies deed ze ruime ervaring op met onderwijs in onderzoeksmethoden en data-analyse op bachelor-, master- en postgraduate niveau. Ook werkte ze als statistisch en toegepast onderzoeker. In haar proefschrift gebruikte ze statistische modellen, aangevuld door kwalitatieve dataverzameling, om al in een vroeg stadium in te schatten wat de potentiële meerwaarde van medisch-technologische innovaties is. Vanuit dit onderzoek adviseerde ze bovendien publiek-private samenwerkingen hoe zij deze methoden konden toepassen om investeringsbeslissingen te verantwoorden. Tijdens dit promotieonderzoek aan het Radboud umc bleef Anouck actief als docent onderzoeksmethoden en statistiek. Zij zet nu haar expertise op het gebied van onderzoek en data-analyse in om universitair onderwijs te verbeteren. Met haar aansluiting bij Tridata wil Anouck cursisten uit diverse contexten laten ervaren hoe zij zich de rol van onderzoeker en data-analist in korte tijd kunnen aanmeten en hen tools meegeven om praktische vraagstukken zelfstandig te beantwoorden.