Opleidingen

OVERVIEW This course is designed to build your foundational skills in data engineering on Microsoft Fabric, focusing on the Lakehouse concept. This course will explore the powerful capabilities of Apache Spark for distributed data processing and the essential techniques for efficient data management, versioning, and reliability by working with Delta Lake tables. This course will also explore data ingestion and orchestration using Dataflows Gen2 and Data Factory pipelines. This course includes a combination of lectures and hands-on exercises that will prepare you to work with lakehouses in Microsoft Fabric. OBJECTIVES Students will learn, Introduction to end-to-end analytics using Microsoft Fabric Get started with lakehouses in Microsoft Fabric Use Apache Spark in Microsoft Fabric Work with Delta Lake tables in Microsoft Fabric Ingest Data with Dataflows Gen2 in Microsoft Fabric Use Data Factory pipelines in Microsoft Fabric AUDIENCE The primary audience for this course is data professionals who are familiar with data modeling, extraction, and analytics. It is designed for professionals who are interested in gaining knowledge about Lakehouse architecture, the Microsoft Fabric platform, and how to enable end-to-end analytics using these technologies. CONTENT Module 1: Introduction to end-to-end analytics using Microsoft Fabric Describe end-to-end analytics in Microsoft Fabric Module 2: Get started with lakehouses in Microsoft Fabric Describe core features and capabilities of lakehouses in Microsoft Fabric Create a lakehouse Ingest data into files and tables in a lakehouse Query lakehouse tables with SQL Module 3: Use Apache Spark in Microsoft Fabric Configure Spark in a Microsoft Fabric workspace Identify suitable scenarios for Spark notebooks and Spark jobs Use Spark dataframes to analyze and transform data Use Spark SQL to query data in tables and views Visualize data in a Spark notebook Module 4: Work with Delta Lake tables in Microsoft Fabric Understand Delta Lake and delta tables in Microsoft Fabric Create and manage delta tables using Spark Use Spark to query and transform data in delta tables Use delta tables with Spark structured streaming Module 5: Ingest Data with Dataflows Gen2 in Microsoft Fabric Describe Dataflow (Gen2) capabilities in Microsoft Fabric Create Dataflow (Gen2) solutions to ingest and transform data Include a Dataflow (Gen2) in a pipeline Module 6: Use Data Factory pipelines in Microsoft Fabric Describe pipeline capabilities in Microsoft Fabric Use the Copy Data activity in a pipeline Create pipelines based on predefined templates Run and monitor pipelines

Apache Kafka is een open-source platform voor gegevensstromen dat is ontworpen voor het real-time verzenden en verwerken van grote hoeveelheden gegevens. Het biedt Java developers een schaalbare en duurzame oplossing voor het streamen van gegevens tussen verschillende applicaties en systemen. Tijdens de training Kafka voor Java-ontwikkelaars leg je een stevige basis in je kennis van Apache Kafka en hoe je dit krachtige platform effectief kunt toepassen in je Java-applicaties. Algemene omschrijving Apache Kafka biedt voor Java ontwikkelaars een krachtig platform voor het real-time verwerken en verzenden van data. Met Kafka kun je gegevensstromen naadloos integreren in je applicaties. Het stelt je ook in staat om schaalbare en robuuste data pipelines te bouwen, een zeer geschikte oplossing voor het leveren van realtime inzichten aan gebruikers. Kafka's Java API's en ondersteuning maken het een waardevol instrument voor het ontwikkelen van geavanceerde, gedistribueerde systemen met een focus op het verwerken van data streams. Training Kafka voor Java developers Tijdens de training Kafka voor Java-ontwikkelaars leg je een stevige basis in je kennis van Apache Kafka en hoe je dit krachtige platform effectief kunt toepassen in je Java-applicaties. We starten met een verkenning van de architectuur en concepten van Kafka-clusters. Vervolgens leer je werken met de Kafka CLI, het beheren van topics, partitioneren van gegevens en ontwikkelen van producer- en consumer processen. Daarnaast behandelen we onderwerpen zoals monitoring en beveiliging. Aan de hand van een use case pas je deze kennis tijdens de training direct toe in de praktijk. Bedrijfstraining Kafka voor Java developers Wil je direct aan de slag met je eigen datastromen in Kafka, in combinatie met je eigen Java applicatie(s)? In een bedrijfstraining kunnen wij de training volledig op maat verzorgen voor jou individueel of samen met je team. We nemen jullie eigen praktijkcase daarbij graag als uitgangspunt. Programma Tijdens de Training Kafka voor Java developers komen in basis onderstaande onderwerpen aan bod. Afhankelijk van ontwikkelingen op het vakgebied, kan de feitelijke trainingsinhoud hier echter van afwijken. Bel ons gerust voor meer informatie over de actuele inhoud. Inleiding tot Apache Kafka Kafka Architectuur en fundamentele concepten Configuratieopties en aanbevolen instellingen Use-cases voor Java developers De kernconcepten van Kafka Topics Brokers Producers en consumers Gegevensstromen en partities Command Line Interface (CLI) Gebruik van Kafka CLI-tools voor administratie en diagnostiek Creëren van verwijderen van topics Monitoren van clusters en brokerverbindingen met de CLI Topics Beheren Configuratie-opties voor topics Retentiebeleid Opschonen van gegevens Gegevens Partitioneren Producers en Consumers Ontwikkelen van Kafka-producers in Java Implementatie van Kafka-consumers in Java Foutafhandeling voor producers en consumers Monitoring en Testen Kafka-monitoring Testen en debuggen van Kafka-toepassingen Beveiliging in Kafka Access Control Lists (ACL) configureren Authenticatie en autorisatie instellen voor Kafka-clusters Kafka in Java Applicaties Kafka Java Client Library: API's en bibliotheken Producer- en consumer-implementaties in Java Integratie van Kafka in bestaande Java-applicaties Praktijkcases Best Practices

Apache Kafka is een open-source platform voor gegevensstromen dat is ontworpen voor het real-time verzenden en verwerken van grote hoeveelheden gegevens. Het biedt Python-ontwikkelaars een schaalbare en duurzame oplossing voor het streamen van gegevens tussen verschillende applicaties en systemen. Tijdens de training Kafka voor Python-ontwikkelaars leg je een stevige basis in je kennis van Apache Kafka en hoe je dit krachtige platform effectief kunt toepassen in je Python-applicaties. Algemene omschrijving Apache Kafka biedt Python-ontwikkelaars een krachtig platform voor het real-time verwerken en verzenden van gegevens. Met Kafka kun je gegevensstromen naadloos integreren in je Python applicaties. Het stelt je ook in staat om schaalbare en robuuste data pipelines te bouwen. Kafka's Python clients en ondersteuning maken het een waardevol instrument voor het ontwikkelen van geavanceerde, gedistribueerde systemen met een focus op het verwerken van gegevensstromen. Training Kafka voor Python developers Tijdens de training Kafka voor Python-ontwikkelaars leg je een solide basis voor je kennis van Apache Kafka en leer je hoe je dit krachtige platform effectief kunt toepassen in je Python applicaties. We beginnen met een verkenning van de architectuur en concepten van Kafka-clusters. Vervolgens leer je werken met de Kafka CLI, het beheren van topics, het partitioneren van gegevens en het ontwikkelen van producer- en consumer processen in Python. Onderwerpen zoals monitoring en beveiliging komen ook aan bod. Tijdens de training pas je deze kennis direct toe in de praktijk aan de hand van een use case. Bedrijfstraining Kafka voor Python developers Wil je direct aan de slag met je eigen datastromen in Kafka, in combinatie met je eigen Python applicatie(s)? In een bedrijfstraining kunnen wij de training volledig op maat verzorgen voor jou individueel of samen met je team. We nemen jullie eigen praktijkcase daarbij graag als uitgangspunt. Programma Tijdens de Training Kafka voor Python developers komen in basis onderstaande onderwerpen aan bod. Afhankelijk van ontwikkelingen op het vakgebied, kan de feitelijke trainingsinhoud hier echter van afwijken. Bel ons gerust voor meer informatie over de actuele inhoud. Inleiding tot Apache Kafka Kafka Architectuur en fundamentele concepten Configuratieopties en aanbevolen instellingen Use-cases voor Python developers De kernconcepten van Kafka Topics Brokers Producers en consumers Gegevensstromen en partities Command Line Interface (CLI) Gebruik van Kafka CLI-tools voor administratie en diagnostiek Creëren van verwijderen van topics Monitoren van clusters en brokerverbindingen met de CLI Topics Beheren Configuratie-opties voor topics Retentiebeleid Opschonen van gegevens Gegevens Partitioneren Producers en Consumers Ontwikkelen van Kafka-producers in Python Implementatie van Kafka-consumers in Python Foutafhandeling voor producers en consumers Monitoring en Testen Kafka-monitoring Testen en debuggen van Kafka-toepassingen Beveiliging in Kafka Access Control Lists (ACL) configureren Authenticatie en autorisatie instellen voor Kafka-clusters Kafka in Python Applicaties Apache Kafka Python Client Library: API's en bibliotheken Producer- en consumer-implementaties in Python Integratie van Kafka in bestaande Python-applicaties Praktijkcases Best Practices

Tijdens de training Generatieve AI verkennen we hoe generatieve AI de creatie van afbeeldingen, infographics, foto's en video's kan transformeren. We gebruiken de meest innovatieve tools en ontwikkelen vaardigheden om visuele content te creëren die communiceert, overtuigt en inspireert. Je maakt zelf content voor je documenten, presentaties en social media. Algemene omschrijving In ons dagelijks werk worden we voortdurend geconfronteerd met de behoefte aan hoogwaardige visuele content. Of het nu gaat om een krachtige presentatie, een boeiende blogpost of social media content die opvalt, afbeeldingen zijn cruciaal. Met de opkomst van generatieve AI hebben professionals nu toegang tot tools die niet alleen de efficiëntie verhogen, maar ook een nieuw tijdperk van creativiteit ontsluiten. In deze training leer je hoe je deze technologieën kunt toepassen om opmerkelijke en opvallende visuele werken te creëren. We zullen de meest vooraanstaande AI-beeldgeneratietools onderzoeken, zoals DALL·E, Midjourney en Stable Diffusion, en zullen de technieken verkennen die nodig zijn om ze optimaal te benutten. Van de basisprincipes van prompt engineering tot het navigeren door de complexiteit van auteursrechten en privacy, deze training zal je uitrusten met de kennis om AI te integreren in je visuele werk, waardoor je boodschap versterkt wordt met overtuigende beelden. Cursus ‘Generatieve AI: Afbeeldingen, Infographics, foto’s en video maken’ In de cursus leer je hoe AI voor beeldgeneratie projecten verrijkt en creatieve workflows stroomlijnt. We verkennen hoe je snel professionele afbeeldingen genereert, die je werk visueel aantrekkelijk maken. De cursus toont aan hoe AI niet alleen tijd bespaart, maar ook de kwaliteit van je visuele output verbetert. Door het slim inzetten van tools zoals DALL·E en Midjourney wordt je werkdag productiever én creatiever. Bedrijfstraining ‘Generatieve AI: Afbeeldingen, Infographics, foto’s en video maken’ Wil je samen met je team slimme AI tools zoals gaan inzetten voor het produceren van afbeeldingen? In een bedrijfstraining kunnen wij de training volledig op maat verzorgen voor jou individueel of samen met een groep collega's. We nemen jullie eigen omgeving daarbij graag als uitgangspunt. Programma Tijdens de Training Generatieve AI : Afbeeldingen, Infographics, foto's en video's maken komen in basis onderstaande onderwerpen aan bod. Afhankelijk van ontwikkelingen op het vakgebied, kan de feitelijke trainingsinhoud hier echter van afwijken. Bel ons gerust voor meer informatie over de actuele inhoud. Introductie tot AI in beeldcreatie: Het belang voor de moderne werkomgeving De voordelen van het gebruik van AI-tools voor beeldgeneratie in je dagelijkse werk Starten vanuit beeldtaal Overzicht van AI beeldgeneratie tools zoals: DALL·E Midjourney Stable Diffusion DeepArt Andere specifieke AI-gereedschappen voor beeldcreatie Begrijpen wanneer en hoe verschillende AI beeldgeneratie tools te gebruiken De kunst van prompt engineering voor beeldgeneratie Technieken voor het schrijven van effectieve prompts Geavanceerde prompt tools en technieken Het gebruik van AI-gestuurde tools voor het verbeteren van visuele communicatie Beeldmateriaal creëren met AI: Infographics, foto's en video's Case studies en praktische toepassingen De rol van AI in creatief schrijven en visuele content creatie Presentaties verrijken met AI-gegenereerde afbeeldingen Onderzoek en verdieping in onderwerpen met behulp van AI-gegenereerde visualisaties De technische werking van beeldgenererende AI-tools Uitdagingen en beperkingen van AI in beeldgeneratie Authenticiteit en originaliteit Privacy en auteursrechten Het maken van een persoonlijk actieplan: Effectief inzetten van AI-beeldgeneratie tools in je eigen werk Casestudies: Succesvolle integratie van AI-beeldgeneratie in zakelijke en creatieve processen Gebruik in presentaties Gebruik in documenten Gebruik voor social media Toepassen in je dagelijkse werk

Azure Machine Learning is ontworpen om het bouwen, trainen en implementeren van machine learning-modellen te vereenvoudigen en te versnellen en maakt onderdeel uit van de Azure cloud. Tijdens de training volgen wij het Microsoft curriculum, uitgebreid met veel praktijk. We zetten alle stappen die nodig zijn om alle mogelijkheden te leren kennen én praktisch uit te kunnen voeren. Algemene omschrijving Azure Machine Learning heeft een sterke positie opgebouwd vanwege de naadloze integratie met andere Azure-services en de ondersteuning voor MLOps, wat het platform aantrekkelijk maakt voor organisaties die hun machine learning-projecten in de cloud willen beheren en schalen. Het platform biedt data scientists, developers en organisaties de tools en infrastructuur die ze nodig hebben om machine learning-oplossingen te ontwikkelen en te beheren. Deze training onderscheidt zich ten opzichte van andere Designing and implementing a Data Science Solution on Azure trainingen. Wij richten ons niet alleen op het adopteren van de kennis, maar ook op het daadwerkelijk te gaan doen. Natuurlijk leidt deze training ook op voor het bijbehorende examen (DP-100), maar het gaat veel verder. De bedoeling is dat je het hele proces van de data engineer gaat doorlopen. We stippen dus niet alleen de verschillende onderwerpen aan, maar gaan uitgebreid aan de slag met de praktijkcomponent. Traineeship Machine Learning Engineer De training Designing and implementing a Data Science Solution on Azure (DP-100) wordt vaak gebruikt als basis voor een traineeship Machine Learning Engineer. In veel gevallen maken we dan een training op maat met deze training als onderdeel. Denk bijvoorbeeld aan een combinatie met een datawarehouse, Azure Databricks of Python. Bedrijfstraining Designing and implementing a Data Science Solution on Azure Wil je met je met een heel team je gaan verdiepen in Designing and implementing a Data Science Solution on Azure? Tijdens een bedrijfstraining kunnen wij de training volledig op maat voor jouw organisatie verzorgen, voor jou en wellicht een groep van je collega's. Programma Tijdens de Training Designing and implementing a Data Science Solution on Azure DP-100 komen in basis onderstaande onderwerpen aan bod. Afhankelijk van ontwikkelingen op het vakgebied, kan de feitelijke trainingsinhoud hier echter van afwijken. Bel ons gerust voor meer informatie over de actuele inhoud. Introductie Azure Machine Learning In deze module leer je hoe je een Azure Machine Learning-workspace kunt voorzien en gebruiken om machine learning-middelen te beheren, zoals gegevens, rekenkracht, training code model, gelogde metingen en getrainde modellen. Je leert hoe je de op web gebaseerde Azure Machine Learning-studio-interface kunt gebruiken, evenals de Azure Machine Learning SDK en ontwikkelaarstools zoals Visual Studio Code en Jupyter Notebooks om te werken met de middelen in je workspace. Introductie tot Azure Machine Learning Werken met Azure Machine Learning Lab: Maak een Azure Machine Learning-workspace Na het voltooien van deze module heb je: Een Azure Machine Learning-workspace ingericht Hulpmiddelen en code gebruikt om met Azure Machine Learning te werken No-Code Machine Learning Deze module introduceert de visuele tools voor geautomatiseerde machine learning en de Azure Machine Learning Designer, waarmee je machine learning-modellen kunt trainen, evalueren en implementeren zonder enige code te schrijven. Geautomatiseerde Machine Learning Azure Machine Learning Designer Lab: Gebruik Geautomatiseerde Machine Learning Lab: Gebruik Azure Machine Learning Designer Na het voltooien van deze module heb je: Geautomatiseerde machine learning gebruikt om een machine learning-model te trainen Azure Machine Learning Designer gebruikt om een model te trainen Running Experiments and Training Models In deze module ga je aan de slag met experimenten die data-verwerkings- en model training code bevatten, en je zult ze gebruiken om machine learning-modellen te trainen. Introductie Experiments Training en registratie van modellen Lab: Voer Experimenten Uit Lab: Train Modellen Na het voltooien van deze module heb je: Code-gebaseerde experimenten uitgevoerd in een Azure Machine Learning-workspace Machine learning-modellen getraind en geregistreerd Working with Data Data is een fundamenteel element in elke machine learning-werkbelasting, dus in deze module leer je hoe je datastores en datasets kunt maken en beheren in een Azure Machine Learning-workspace, en hoe je ze kunt gebruiken in modeltrainings-experimenten. Werken met datastores Werken met datasets Lab: Werken met data Na het voltooien van deze module heb je: Dataopslagplaatsen gemaakt en gebruikt Datasets gemaakt en gebruikt Compute contexts Een van de belangrijkste voordelen van de cloud is de mogelijkheid om op aanvraag computing resources te benutten en deze te gebruiken om machine learning-processen op te schalen tot een niveau dat onhaalbaar zou zijn met je eigen hardware. In deze module leer je hoe je Experiment Environments kunt beheren die zorgen voor consistente runtime-consistentie voor experimenten, en hoe je rekendoelen kunt creëren en gebruiken voor experimenten. Werken met Environments Werken met Compute Targets Lab: Werken met Environments Lab: Werken met Compute Targets Na het voltooien van deze module heb je: Environments gecreëerd en gebruikt Compute Targets gecreëerd en gebruikt Orchestrating Operations with Pipelines Nu je de basisprincipes begrijpt van het uitvoeren van workloads als experimenten die gebruikmaken van gegevensbronnen en rekencapaciteit, is het tijd om te leren hoe je deze workloads kunt orchestreren als pipelines van onderling verbonden stappen. Pipelines zijn essentieel voor het implementeren van een effectieve Machine Learning Operationalization (ML Ops) oplossing in Azure, dus je zult ontdekken hoe je ze kunt definiëren en uitvoeren in deze module. Introductie tot pipelines Publiceren en uitvoeren van pipelines Lab: Een pipeline maken Na het voltooien van deze module heb je: Pipelines gemaakt om machine learning-workflows te automatiseren Pipeline services gepubliceerd en uitgevoerd Deploying and Consuming Models Modellen zijn ontworpen om besluitvorming te ondersteunen door middel van voorspellingen, dus ze zijn alleen nuttig wanneer ze worden geïmplementeerd en beschikbaar zijn voor een toepassing om te gebruiken. In deze module leer je hoe je modellen kunt implementeren voor real-time inferentie en voor batch-inferentie. Real-time Inferentie Batch-inferentie Continuous integration & deployment Lab: Maak een Real-time Inferentie-service Lab: Maak een Batch Inferentie-service Na het voltooien van deze module heb je: Een model gepubliceerd als een real-time inferentie-service Een model gepubliceerd als een batch-inferentie-service Technieken beschreven om CI/CD te implementeren Training Optimal Models Op dit punt in de cursus heb je het end-to-end proces geleerd voor het trainen, implementeren en gebruiken van machine learning-modellen. Maar hoe zorg je ervoor dat je model de beste voorspellende resultaten oplevert voor je gegevens? In deze module zul je ontdekken hoe je hyperparameter tuning en geautomatiseerde machine learning kunt gebruiken om te profiteren van de rekencapaciteit op cloud-schaal en het beste model voor je gegevens te vinden. Hyperparameter Tuning Geautomatiseerde Machine Learning Lab: Tune Hyperparameters Lab: Gebruik Geautomatiseerde Machine Learning vanuit de SDK Na het voltooien van deze module heb je: Hyperparameters geoptimaliseerd voor modeltraining Geautomatiseerde machine learning gebruikt om het optimale model voor je gegevens te vinden Monitoring Models Nadat een model is geïmplementeerd, is het belangrijk om te begrijpen hoe het model in productie wordt gebruikt en eventuele afname in effectiviteit als gevolg van gegevensafwijking (Data Drift) op te sporen. In deze module worden technieken beschreven voor het monitoren van modellen en de gegevens die ze gebruiken. Het monitoren van modellen met Application Insights Het monitoren van gegevensafwijking (Data Drift) Lab: Het monitoren van een model met Application Insights Lab: Het monitoren van datadrift Na het voltooien van deze module heb je: Application Insights gebruikt om een gepubliceerd model te monitoren Datadrift gemonitord

Azure Machine Learning is een cloudgebaseerd platform van Microsoft dat is ontworpen om het bouwen, trainen en implementeren van machine learning-modellen te vereenvoudigen en te versnellen. Tijdens deze bootcamp training leer je in korte tijd alle ins en outs van de belangrijkste services kennen. Deze training sluit inhoudelijk aan bij het DP-100 examen. Algemene omschrijving Azure Machine Learning heeft een sterke positie opgebouwd vanwege de naadloze integratie met andere Azure-services en de ondersteuning voor MLOps, wat het platform aantrekkelijk maakt voor organisaties die hun machine learning-projecten in de cloud willen beheren en schalen. Het platform biedt data scientists, developers en organisaties de tools en infrastructuur die ze nodig hebben om machine learning-oplossingen te ontwikkelen en te beheren. Deze training is bedoeld om in korte tijd kennis te maken met Azure Machine Learning. De belangrijkste onderwerpen komen hierbij aan bod. We volgen hierbij de onderwerpen van het Microsoft DP-100 examen. Traineeship Machine Learning Engineer De training Designing and implementing a Data Science Solution on Azure (DP-100) bootcamp wordt vaak gebruikt als basis voor een traineeship Machine Learning Engineer. In veel gevallen maken we dan een training op maat met deze training als onderdeel. Denk bijvoorbeeld aan een combinatie met een datawarehouse, Azure DevOps of Python. Binnen een traineeship kunnen we zowel de bootcamp Designing and implementing a Data Science Solution on Azure als de uitgebreidere versie aanbieden. Bedrijfstraining Designing and implementing a Data Science Solution on Azure Wil je met je met een heel team je gaan verdiepen in de mogelijkheden van Azure voor jullie eigen Machine Learning oplossingen? Tijdens een bedrijfstraining kunnen wij de training volledig op maat voor jouw organisatie verzorgen, voor jou en wellicht een groep van je collega's. Programma Tijdens de Training Designing and implementing a Data Science Solution on Azure DP-100 bootcamp komen in basis onderstaande onderwerpen aan bod. Afhankelijk van ontwikkelingen op het vakgebied, kan de feitelijke trainingsinhoud hier echter van afwijken. Bel ons gerust voor meer informatie over de actuele inhoud. Introductie Azure Machine Learning In deze module leer je hoe je een Azure Machine Learning-workspace kunt voorzien en gebruiken om machine learning-middelen te beheren, zoals gegevens, rekenkracht, training code model, gelogde metingen en getrainde modellen. Je leert hoe je de op web gebaseerde Azure Machine Learning-studio-interface kunt gebruiken, evenals de Azure Machine Learning SDK en ontwikkelaarstools zoals Visual Studio Code en Jupyter Notebooks om te werken met de middelen in je workspace. Introductie tot Azure Machine Learning Werken met Azure Machine Learning Lab: Maak een Azure Machine Learning-workspace Na het voltooien van deze module heb je: Een Azure Machine Learning-workspace ingericht Hulpmiddelen en code gebruikt om met Azure Machine Learning te werken No-Code Machine Learning Deze module introduceert de visuele tools voor geautomatiseerde machine learning en de Azure Machine Learning Designer, waarmee je machine learning-modellen kunt trainen, evalueren en implementeren zonder enige code te schrijven. Geautomatiseerde Machine Learning Azure Machine Learning Designer Lab: Gebruik Geautomatiseerde Machine Learning Lab: Gebruik Azure Machine Learning Designer Na het voltooien van deze module heb je: Geautomatiseerde machine learning gebruikt om een machine learning-model te trainen Azure Machine Learning Designer gebruikt om een model te trainen Running Experiments and Training Models In deze module ga je aan de slag met experimenten die data-verwerkings- en model training code bevatten, en je zult ze gebruiken om machine learning-modellen te trainen. Introductie Experiments Training en registratie van modellen Lab: Voer Experimenten Uit Lab: Train Modellen Na het voltooien van deze module heb je: Code-gebaseerde experimenten uitgevoerd in een Azure Machine Learning-workspace Machine learning-modellen getraind en geregistreerd Working with Data Data is een fundamenteel element in elke machine learning-werkbelasting, dus in deze module leer je hoe je datastores en datasets kunt maken en beheren in een Azure Machine Learning-workspace, en hoe je ze kunt gebruiken in modeltrainings-experimenten. Werken met datastores Werken met datasets Lab: Werken met data Na het voltooien van deze module heb je: Dataopslagplaatsen gemaakt en gebruikt Datasets gemaakt en gebruikt Compute contexts Een van de belangrijkste voordelen van de cloud is de mogelijkheid om op aanvraag computing resources te benutten en deze te gebruiken om machine learning-processen op te schalen tot een niveau dat onhaalbaar zou zijn met je eigen hardware. In deze module leer je hoe je Experiment Environments kunt beheren die zorgen voor consistente runtime-consistentie voor experimenten, en hoe je rekendoelen kunt creëren en gebruiken voor experimenten. Werken met Environments Werken met Compute Targets Lab: Werken met Environments Lab: Werken met Compute Targets Na het voltooien van deze module heb je: Environments gecreëerd en gebruikt Compute Targets gecreëerd en gebruikt Orchestrating Operations with Pipelines Nu je de basisprincipes begrijpt van het uitvoeren van workloads als experimenten die gebruikmaken van gegevensbronnen en rekencapaciteit, is het tijd om te leren hoe je deze workloads kunt orchestreren als pipelines van onderling verbonden stappen. Pipelines zijn essentieel voor het implementeren van een effectieve Machine Learning Operationalization (ML Ops) oplossing in Azure, dus je zult ontdekken hoe je ze kunt definiëren en uitvoeren in deze module. Introductie tot pipelines Publiceren en uitvoeren van pipelines Lab: Een pipeline maken Na het voltooien van deze module heb je: Pipelines gemaakt om machine learning-workflows te automatiseren Pipeline services gepubliceerd en uitgevoerd Deploying and Consuming Models Modellen zijn ontworpen om besluitvorming te ondersteunen door middel van voorspellingen, dus ze zijn alleen nuttig wanneer ze worden geïmplementeerd en beschikbaar zijn voor een toepassing om te gebruiken. In deze module leer je hoe je modellen kunt implementeren voor real-time inferentie en voor batch-inferentie. Real-time Inferentie Batch-inferentie Continuous integration & deployment Lab: Maak een Real-time Inferentie-service Lab: Maak een Batch Inferentie-service Na het voltooien van deze module heb je: Een model gepubliceerd als een real-time inferentie-service Een model gepubliceerd als een batch-inferentie-service Technieken beschreven om CI/CD te implementeren Training Optimal Models Op dit punt in de cursus heb je het end-to-end proces geleerd voor het trainen, implementeren en gebruiken van machine learning-modellen. Maar hoe zorg je ervoor dat je model de beste voorspellende resultaten oplevert voor je gegevens? In deze module zul je ontdekken hoe je hyperparameter tuning en geautomatiseerde machine learning kunt gebruiken om te profiteren van de rekencapaciteit op cloud-schaal en het beste model voor je gegevens te vinden. Hyperparameter Tuning Geautomatiseerde Machine Learning Lab: Tune Hyperparameters Lab: Gebruik Geautomatiseerde Machine Learning vanuit de SDK Na het voltooien van deze module heb je: Hyperparameters geoptimaliseerd voor modeltraining Geautomatiseerde machine learning gebruikt om het optimale model voor je gegevens te vinden Monitoring Models Nadat een model is geïmplementeerd, is het belangrijk om te begrijpen hoe het model in productie wordt gebruikt en eventuele afname in effectiviteit als gevolg van gegevensafwijking (Data Drift) op te sporen. In deze module worden technieken beschreven voor het monitoren van modellen en de gegevens die ze gebruiken. Het monitoren van modellen met Application Insights Het monitoren van gegevensafwijking (Data Drift) Lab: Het monitoren van een model met Application Insights Lab: Het monitoren van datadrift Na het voltooien van deze module heb je: Application Insights gebruikt om een gepubliceerd model te monitoren Datadrift gemonitord

Tijdens de training Public Key Infrastructure (PKI) leer je welke rol PKI speelt in de beveiliging van IT architectuur. Na een introductie van PKI behandelen we de rol van certificaatautoriteiten, versleutelingsalgoritmen en sleuteluitwisseling, en de rol van verschillende PKI-componenten. Daarnaast gaan we dieper in op de praktische aspecten van certificaatinschrijving, uitgifteprocessen en levenscyclusbeheer, serverauthenticatie en werkstationbeveiliging, met speciale aandacht voor implementatiestrategieën en best practices. Algemene omschrijving Public Key Infrastructure (PKI) vormt een cruciaal fundament voor informatieveiligheid en digitale communicatie. Het is een geavanceerd framework dat cryptografische methoden integreert om de veilige uitwisseling van digitale informatie te waarborgen. Met PKI verleen je digitale handtekeningen, versleutel je vertrouwelijke gegevens en verifieer je de identiteit van digitale entiteiten. Deze robuuste beveiligingsinfrastructuur draagt bij aan het beschermen van gevoelige gegevens, het voorkomen van ongeautoriseerde toegang en het versterken van de veiligheid van online transacties. Een diepgaand begrip van PKI is essentieel voor professionals die betrokken zijn bij informatiebeveiliging en cybersecurity. Training Public Key Infrastructure - PKI Tijdens de training Public Key Infrastructure leg je een stevige basis in je kennis van PKI-principes. Na een introductie van PKI behandelen we de rol van certificaatautoriteiten, versleutelingsalgoritmen en sleuteluitwisseling, en de rol van verschillende PKI-componenten. Daarnaast gaan we dieper in op de praktische aspecten van certificaatinschrijving, uitgifteprocessen en levenscyclusbeheer, met speciale aandacht voor implementatiestrategieën en best practices. Verder onderzoeken we de rol van PKI in infrastructuur en fysieke systemen, inclusief serverauthenticatie, werkstationbeveiliging en fysieke toegangssystemen. Bedrijfstraining PKI Wil je direct aan de slag met PKI in je eigen systemen en architectuur? In een bedrijfstraining kunnen wij de training volledig op maat verzorgen voor jou individueel of samen met je team. We nemen jullie eigen praktijkcase daarbij graag als uitgangspunt. Programma Tijdens de Training Public Key Infrastructure - PKI komen in basis onderstaande onderwerpen aan bod. Afhankelijk van ontwikkelingen op het vakgebied, kan de feitelijke trainingsinhoud hier echter van afwijken. Bel ons gerust voor meer informatie over de actuele inhoud. Introductie Public Key Infrastructure (PKI) Basis PKI concepten Rol van PKI in cybersecurity Encryptie algoritmes + key exchange Belangrijkste componenten in PKI Introductie van certificaatautoriteiten (CA’s) Public en private keys: rollen en verschillen Digitale handtekeningen Certificaten en sleutels Certificaatformaten en typen De rol van keys bij versleuteling en ontsleuteling Analyse van PKI componenten Certificaatautoriteiten en hun hiërarchie Certificate Revocation Lists Online Certificate Status Protocol Key generatie, opslag, en beveiliging Werken met certificaten en CA’s Processen voor certificaatinschrijving uitgifte (lifecycle) Werken met templates voor certificaten Certificaatextensies en beperkingen Implementatie en Beheer van PKI Inzetstrategieën Standalone vs. enterprise CA's Levenscyclusbeheer van certificaten: inschrijving, vernieuwing, intrekking Best practices en beleid voor PKI PKI in infrastructuur en fysieke systemen Serverauthenticatie en beveiliging Beveiliging van werkstations Fysieke toegangssystemen Beveiliging en kwetsbaarheden PKI-gerelateerde kwetsbaarheden in infrastructuur Bedreigingen en aanvallen tegen servers, werkstations en fysieke toegangssystemen Mitigatiestrategieën en incident response afgestemd op infrastructuur Hands-on labs

Tijdens de training Slack leer je hoe deze veelzijdige communicatietool effectief ingezet kan worden binnen jouw organisatie. We behandelen de basisprincipes van Slack, van het opzetten en beheren van kanalen tot gebruikersbeheer. Je leert hoe je Slack naadloos integreert in de dagelijkse workflow, waardoor samenwerking en productiviteit worden verhoogd. Deze training biedt veel praktische tips, strategieën en de kennis en vaardigheden om Slack optimaal te benutten in jouw werkomgeving. Algemene omschrijving In onze Slack-training verkennen we hoe je deze communicatietool kunt implementeren in jullie organisatie. We gaan verder dan de basis, door de strategische implementatie van Slack te benadrukken, aangepast aan jullie bedrijfsprocessen. Belangrijk hierbij is het effectieve beheer van gebruikers en kanalen, essentieel voor beveiliging en gestroomlijnde communicatie. Onze focus ligt op het optimale gebruik van Slack. De training leert je om Slack te gebruiken als een centrale hub voor al je communicatie en samenwerking. Door praktijkgerichte sessies ontdekken jullie hoe je realtime gesprekken kunt voeren, informatie kunt delen en organiseren, en samen aan documenten kunt werken. Dit alles terwijl je leert over de krachtige zoekfuncties die je in staat stellen om snel oude berichten, bestanden en gesprekken terug te vinden. Met Slack wordt informatie niet alleen gemakkelijk deelbaar en vindbaar, maar ook het samenwerken aan projecten wordt intuïtiever. Het verandert de manier waarop teams samenwerken, zowel intern als met externe partners, en verbetert de algehele communicatie-efficiëntie. Cursus Slack In de cursus Slack leer je de fijne kneepjes van effectieve communicatie via Slack. Deze cursus is speciaal ontwikkeld om professionals zoals jij te begeleiden in het optimaal benutten van Slack voor een verbeterde teamdynamiek en projectbeheer. Met de cursus Slack verhoog je niet alleen de snelheid van communicatie, maar zorg je ook voor een kwaliteitsimpuls in de samenwerking. Met praktische toepassingen en strategieën helpt de cursus Slack je om je werkdag productiever en efficiënter te maken, met een nadruk op geavanceerde zoekfuncties en slimme integraties. Bedrijfstraining Slack Wil je Slack gaan inzetten in je team of organisatie? In een bedrijfstraining kunnen wij de training volledig op maat verzorgen voor jou individueel of samen met een groep collega's. We nemen jullie eigen omgeving daarbij graag als uitgangspunt. Programma Tijdens de Training Slack komen in basis onderstaande onderwerpen aan bod. Afhankelijk van ontwikkelingen op het vakgebied, kan de feitelijke trainingsinhoud hier echter van afwijken. Bel ons gerust voor meer informatie over de actuele inhoud. Introductie Slack Wat is Slack en hoe werkt het? Overzicht van de Slack-interface Slack in een organisatie Opzetten Slack in de organisatie Gebruikersbeheer Kanaalbeheer Basiscommunicatie Berichten versturen en ontvangen Gebruik van kanalen en directe berichten Het belang van @vermeldingen en reacties Geavanceerde communicatie tools Gebruik van threads voor gestructureerde gesprekken Aanmaken en beheren van gebruikersgroepen Gebruik van emoji's en custom reacties voor snellere communicatie Samenwerken in Kanalen Kanalen aanmaken, aanpassen en beheren Best practices voor kanaalnamen en doeleinden Richtlijnen voor het posten in en volgen van kanalen Integraties en Bots Overzicht van populaire Slack-integraties Automatisering van taken met Slack bots Aanmaken en beheren van custom integraties Bestandsbeheer en delen Bestanden uploaden en delen in Slack Beheren van toegang en permissies voor bestanden Tips voor het organiseren van documenten in Slack Zoeken en Organiseren van berichten en bestanden Geavanceerde zoekfuncties gebruiken Berichten en bestanden effectief organiseren Gebruik van labels en sterren voor belangrijke items Slack voor mobiele apparaten Overzicht van Slack mobiele app functies Tips voor effectief mobiel gebruik van Slack Veiligheid en privacy Inzicht in Slack's veiligheidsfeatures Beheren van gebruikerstoegang en permissies Het behouden van privacy en gegevensbeveiliging Tips en Trucs Sneltoetsen en verborgen functies Personaliseren van Slack met thema's en voorkeuren Efficiënt gebruik van Slack voor productiviteitsverbetering Toepassen in je dagelijkse werk

Leer in 2 dagen hoe je strategie, financiering, Agile operations en Lean governance implementeert en bereid je voor op het SAFe® 6 Lean Portfolio Manager-examen (LPM). Een gecertificeerde SAFe® 6 Lean Portfolio Manager is een SAFe-professional die samenwerkt met bedrijfsleiders, product- en oplossingsmanagers, enterprise-architecten, Agile PMO-medewerkers en Agile-teams om strategie en uitvoering op elkaar af te stemmen door Lean- en systeemdenken toe te passen op strategie en investeringsfinanciering, agile portfolio operations en governance. Deelnemers aan de cursus krijgen de kans om de huidige en toekomstige staat van hun portfolio vast te leggen met de Portfolio Canvas-tool en belangrijke bedrijfsinitiatieven te identificeren om de toekomstige staat te bereiken. Deelnemers verkennen ook methoden om de portfolio-flow vast te stellen met de Portfolio Kanban en initiatieven te prioriteren voor maximaal economisch voordeel. De cursus biedt ook inzicht in hoe Value Stream Budgets en Lean Budget Guardrails kunnen worden opgesteld en hoe de prestaties van de Lean-portfolio kunnen worden gemeten. Na het volgen van de cursus zijn deelnemers klaar om het examen af te leggen en gecertificeerd SAFe® 6 Lean Portfolio Manager (LPM) te worden. Doelgroep Voor wie is dit programma bedoeld? De SAFe® Lean Portfolio Management (LPM) certificering is bedoeld voor personen en functies die betrokken zijn bij strategische besluitvorming, portfoliomanagement en het afstemmen van de uitvoering op de organisatiedoelstellingen. Het is bedoeld voor professionals die verantwoordelijk zijn voor het beheren van of invloed uitoefenen op Lean-Agile-portfolio's. Leidinggevenden en managers (CIO's, CEO's, CFO's, CTO's) Enterprise-architecten Portfoliomanagers Solution managers Managers van bedrijfsonderdelen SAFe-programmaconsultants Vereisten De eerste stap om een gecertificeerd SAFe® Lean Portfolio Manager te worden, is het volgen van de cursus Lean Portfolio Management. Dit is een vereiste, omdat deelname aan de cursus toegang geeft tot al het studiemateriaal en het examen. Houd er rekening mee dat deelname aan de cursus geen garantie is dat u het examen zult halen. Iedereen is welkom om de cursus te volgen, ongeacht ervaring. De volgende vereisten worden echter sterk aanbevolen: Basiskennis tot gemiddelde kennis van SAFe Basiskennis van strategie Basiskennis van financieringsmodellen Kennis van het organiseren van waardestromen Leerdoelen Leerresultaten Tijdens deze cursus leert u het volgende: U voorbereiden op het SAFe® 6 Lean Portfolio Manager-examen en een gecertificeerd SAFe® Lean Portfolio Manager (LPM) worden Lean Portfolio Management (LPM) beschrijven De portfolio koppelen aan de bedrijfsstrategie De portfoliovisie vaststellen Lean Budgeting en Guardrails implementeren Flow tot stand brengen met de Portfolio Kanban Operationele uitmuntendheid ondersteunen met een Agile Program Management Office (PMO) en Communities of Practice (CoP's) Waardestromen coördineren LPM-prestaties meten Een plan opstellen voor de implementatie van LPM Cursusinhoud Behandelde onderwerpen Lean Portfolio Management (LPM) beschrijven De portfolio koppelen aan de bedrijfsstrategie De portfoliovisie vaststellen Lean Budgeting en Guardrails implementeren Flow tot stand brengen met de Portfolio Kanban Operationele uitmuntendheid ondersteunen met een Agile Program Management Office (PMO) en Communities of Practice (CoPs) Waarde stromen coördineren LPM-prestaties meten Een plan opstellen voor de implementatie van LPM FAQ Wanneer is het lesrooster? Afhankelijk van de startdata worden onze klassikale cursussen achtereenvolgens gegeven van 10.00 tot 18.00 uur (CET) met lunchpauzes tussendoor. Heeft het missen van een live les invloed op mijn mogelijkheid om de cursus af te ronden? Ja, als u een les mist, loopt u het risico dat u de examenvoucher niet krijgt. Daarom is het beter om ons altijd minstens 2 weken van tevoren op de hoogte te stellen als u een les wilt verzetten. *Houd er rekening mee dat verzoeken om verplaatsing niet altijd worden ingewilligd, afhankelijk van de situatie. Belangrijkste kenmerken Belangrijkste kenmerken Cursus en materiaal zijn in het Engels Gemiddeld niveau voor professionals 2 dagen online klassikaal. 8 uur per dag met een gecertificeerde trainer en interactieve oefeningen 35 uur studietijd aanbevolen Multimediapresentaties, groepsopdrachten en discussies, praktische workshops, casestudy's en online oefentoetsen. Een jaar lidmaatschap van het SAFe Community Platform met toegang tot bronnen die alleen voor leden toegankelijk zijn, zoals webinars, werkboeken en begeleiding. Het eerste examen is inclusief de cursusregistratiekosten indien het binnen 30 dagen na voltooiing van de cursus wordt afgelegd. Certificering voor voltooide cursus en SAFe® Lean Portfolio Manager-certificering na het behalen van het examen. Exameninformatie: Naam examen: SAFe® 6 Lean Portfolio Manager Exam Examenformaat: Meerkeuzevragen; meerdere antwoorden mogelijk Examenvorm: Online (één browser), gesloten boek, geen hulp van buitenaf, getimed Toegang tot het examen: Kandidaten krijgen toegang tot het examen binnen het SAFe Community Platform na voltooiing van de cursus Lean Portfolio Management Duur van het examen: Zodra het examen begint, hebben kandidaten 120 minuten (2,0 uur) om het examen af te leggen Aantal vragen: 60 Vereiste score: 32 van de 45 (71% vereiste score) Examen taal – Engels Examenkosten: De eerste examenpoging is inclusief in het cursusgeld als het examen binnen 30 dagen na voltooiing van de cursus wordt afgelegd. Elke herkansing kost 50 USD Herkansingsbeleid: De tweede examenpoging (eerste herkansing) kan onmiddellijk na de eerste poging worden gedaan. Voor een derde poging moet 10 dagen worden gewacht. Voor een vierde poging moet 30 dagen worden gewacht. Neem contact op met support@scaledagile.com voor vragen over herkansing. We hechten veel waarde aan het creëren van een positieve leeromgeving voor u. We hebben oog voor detail. Een positieve en effectieve leeromgeving is essentieel voor het succes van onze deelnemers bij de voorbereiding op het SAFe®-examen. We streven naar comfortabele leeromstandigheden die het leervermogen van de deelnemers optimaliseren: Een veilige sfeer en open, authentieke gesprekken Een modern online trainingsplatform, live lessen gegeven door gekwalificeerde instructeurs Een getraind, gecertificeerd en ervaren team van instructeurs Goed gestructureerde en overtuigende systemen die leiden tot hoge testscores Gelicentieerd trainingsmateriaal en veel interactieve online oefeningen Licenties en accreditatie De SAFe®6-training die wordt aangeboden door Advised Skills Ltd wordt verzorgd onder de Scaled Agile, Inc. Partner Program Agreement en voldoet aan de vereisten van de Scaled Agile, Inc. Courseware License Agreement.