Opleidingen

Algemene omschrijving The Artificial Intelligence (AI) for Data Science E-Learning is entirely in English. As a Dutch IT training provider, we offer the information on this page in Dutch. At the bottom of the page, you will find a brief summary in English. The topics within the Artificial Intelligence (AI) for Data Science E-Learning package itself are described in English. Na aanschaf van de Artificial Intelligence (AI) for Data Science E-Learning, is deze maximaal één jaar toegankelijk. De Artificial Intelligence (AI) for Data Science E-Learning biedt jou een uitgebreide kennismaking met data science (datawetenschap), kunstmatige intelligentie (AI) en generatieve AI binnen hedendaagse ICT- en bedrijfsomgevingen. Door de AI for Data Science E-Learning door te nemen, zul je leren hoe AI-technologieën organisaties kunnen ondersteunen bij het analyseren van gegevens, het herkennen van patronen en het automatiseren van complexe processen. Daarnaast leer je over fundamentele methoden binnen data science en werk je met Python-bibliotheken als pandas en seaborn om data op te schonen, te analyseren en te visualiseren. Daarnaast ontdek je met de Artificial Intelligence (AI) for Data Science E-Learning hoe AI-modellen, zoals GPT-modellen, transformers, generative adversarial networks (GANs), variational autoencoders (VAEs) en recurrent neural networks (RNNs), organisaties helpen om nieuwe inzichten te verkrijgen en innovatieve toepassingen te ontwikkelen. Je leert hoe large language models (LLM’s) functioneren en hoe technieken als fine-tuning en Retrieval-Augmented Generation (RAG) ingezet kunnen worden om AI-modellen slimmer en efficiënter te maken. Dankzij de flexibele opzet van de Artificial Intelligence (AI) for Data Science E-Learning kun je volledig in jouw eigen tempo leren en praktische inzichten opdoen via labopdrachten, oefeningen en mentorondersteuning. De Artificial Intelligence (AI) for Data Science E-Learning, met meer dan 99 uur aan online cursusmateriaal, is onderverdeeld in de volgende leertrajecten: Data Science Foundations. AI for Data Science: Activate. AI for Data Science: Accelerate. AI for Data Science: Transform. Doelgroep De Artificial Intelligence (AI) for Data Science E-Learning is bedoeld voor professionals die in hun eigen tempo over data science, kunstmatige intelligentie (AI) en generatieve AI-technologieën willen leren. Daarnaast biedt de AI for Data Science E-Learning waardevolle kennis voor professionals die willen leren hoe AI-technologieën gebruikt kunnen worden om bedrijfsprocessen en besluitvorming te verbeteren. De Artificial Intelligence (AI) for Data Science E-Learning is met name geschikt voor de volgende mensen: Dataspecialisten. Data-analisten. Data scientists (datawetenschappers). Business intelligence (BI)-specialisten. ICT-professionals. Softwareontwikkelaars. Onderzoekers. Innovatiemedewerkers. (Beginnende) AI-specialisten. Bedrijfsanalisten. Professionals die meer over generatieve AI willen leren. Iedereen die kunstmatige intelligentie (AI) en data science wil combineren binnen zijn/haar organisatie. Wat is inbegrepen? De Artificial Intelligence (AI) for Data Science E-Learning bevat uitgebreid Engelstalig cursusmateriaal waarmee je zelfstandig kennis op kunt doen van data science (datawetenschap), kunstmatige intelligentie (AI) en generatieve AI-oplossingen. Daarbij bestaat de AI for Data Science E-Learning uit meerdere leertrajecten waarin je praktische inzichten op zult doen op het gebied van data-analyse, Python, neural networks, GPT-modellen, transformers en NLP. Hier is een overzicht van de inhoud van de Artificial Intelligence (AI) for Data Science E-Learning: Cursusmateriaal voor Data Science Foundations. In het eerste leertraject ontdek je de basis van het opschonen, analyseren en het visualiseren van data. Cursusmateriaal voor AI for Data Science: Activate. In het tweede leertraject krijg je een inleiding op de fundamentele methoden binnen data science. Cursusmateriaal voor AI for Data Science: Accelerate. In het derde leertraject zul je generatieve AI-modellen en transformers verkennen. Cursusmateriaal voor AI for Data Science: Transform. In het vierde leertraject zul je de technieken fine-tuning en Retrieval-Augmented Generation (RAG) verkennen. Praktische labopdrachten voor het eerste, derde en vierde leertraject. Het eerste leertraject Data Science Foundations bestaat uit 22 uur aan labopdrachten. Het derde leertraject AI for Data Science: Accelerate en het vierde leertraject AI for Data Science: Transform bestaan beide uit 1 uur aan labopdrachten. Online begeleiding van een mentor binnen alle leertrajecten. Als je behoefte hebt aan ondersteuning tijdens het leren, dan kun je een Engelstalige mentor om hulp vragen. Praktische oefeningen en kennistoetsen binnen alle leertrajecten. De praktische oefeningen en kennistoetsen helpen jou om de behandelde onderwerpen beter te begrijpen en jouw voortgang gedurende de AI for Data Science E-Learning te controleren. Na aanschaf van de Artificial Intelligence (AI) for Data Science E-Learning, is deze maximaal één jaar toegankelijk. Voorkennis Voordat je begint met de Artificial Intelligence (AI) for Data Science E-Learning, raden wij aan dat jij beschikt over basiskennis van ICT, data-analyse en programmeren. Onderwerpen Data Science Foundations Data Science is one of the most in-demand skillsets across many job roles. This Aspire Journey will teach you the basics of cleaning, analyzing, and visualizing data. You will learn industry-standard libraries in Python, including pandas and seaborn. Along the way, you will create real-world projects to practice and demonstrate your analytics skills. AI for Data Science: Activate In this track, you will be introduced to foundation data science methods. Bridge theoretical concepts with practical applications, demystifying the methods used in popular generative models like generative adversarial networks (GANs) and variational autoencoders (VAEs). Dive deep into the expansive realm of large language models (LLMs), a pivotal cornerstone in today's artificial intelligence (AI)-driven landscape. Deep learning and neural networks have revolutionized various fields by enabling computers to automatically learn complex patterns from data. Generative Pre-trained Transformer (GPT) models are advanced artificial intelligence (AI) systems designed to understand and generate human-like text based on the information they've been trained on. AI for Data Science: Accelerate In this track, you will explore Generative AI models and transformers. Autoencoders are a class of artificial neural networks employed in unsupervised learning tasks, primarily focused on data compression and feature learning. Variational autoencoders (VAEs) represent a powerful variant of traditional autoencoders, designed to address the challenge of generating new and diverse samples from the learned latent space. Generative adversarial networks (GANs) represent a revolutionary approach to generative modeling within the realm of artificial intelligence. Recurrent neural networks (RNNs) are a class of neural networks designed to efficiently process sequential data. Unlike traditional feedforward neural networks, RNNs possess internal memory, which enables them to learn patterns and dependencies in sequential data. Transformers are groundbreaking neural network architectures that use attention mechanisms to efficiently process sequential data, enabling state-of-the-art performance in a wide range of NLP tasks. AI for Data Science: Transform In this track, you will explore fine-tuning and RAG (Retrieval-Augmented Generation). Hugging Face, offers a comprehensive platform that enables developers to build, train, and deploy state-of-the-art machine learning models with a strong emphasis on open collaboration and community-driven development. Sentiment analysis, named entity recognition (NER), question answering, and text generation are pivotal tasks in the realm of Natural Language Processing (NLP) that enable machines to interpret and understand human language in a nuanced manner. Fine-tuning in the context of text-based models refers to the process of taking a pre-trained model and adapting it to a specific task or dataset with additional training. Learn to give your large language model the powers of memory and retrieval with RAG (Retrieval-Augmented Generation), a cutting-edge AI engineering technique used to give LLMs the power to search documents. English Summary After purchasing the Artificial Intelligence (AI) for Data Science E-Learning, it will be available for up to one year. The Artificial Intelligence (AI) for Data Science E-Learning provides extensive course materials to help you develop practical knowledge of data science, artificial intelligence (AI) and generative AI solutions. Throughout multiple learning tracks, you will gain insight into data analysis, Python, neural networks, GPT models, transformers, natural language processing (NLP), fine-tuning and Retrieval-Augmented Generation (RAG). The Artificial Intelligence (AI) for Data Science E-Learning includes the tracks Data Science Foundations, AI for Data Science: Activate, AI for Data Science: Accelerate and AI for Data Science: Transform. Practical labs are included in the tracks Data Science Foundations, AI for Data Science: Accelerate and AI for Data Science: Transform. The Data Science Foundations track includes 22 hours of labs, while both AI for Data Science: Accelerate and AI for Data Science: Transform include one hour of lab exercises each. You also receive guidance from an English-speaking mentor throughout all learning tracks whenever support is needed. In addition, all learning tracks include assessments to help you better understand the covered topics and monitor your learning progress throughout the Artificial Intelligence (AI) for Data Science E-Learning.

Wat is Mental Space Psychology? Waarom we NLP doen zoals we het doen, zodat het goed werkt, steunt grotendeels op 'na doen': op modelleren. Dat leverde enorm veel goede toepassingen op, maar ook het gemis aan een fundamentele theoretische onderbouwing. De psychologie van de mentale ruimte is dat fundament. En er is niets praktischer dan een goede theorie; want mental space psychology verbetert bekende en nieuwe toepassingen vanuit dat inzicht. De hersenen zijn onze realiteit simulator. En omdat de werkelijkheid zich buiten het brein afspeelt, projecteren ze al hun activiteiten naar buiten. De realiteit is ruimtelijk en onze simulatie is dat noodgedwongen ook. In de onbegrensde ruimte om ons brein, spelen onze gedachten, herinneringen, gevoelens zich af. Maar dat is net zo 'gewoon' als de zwaartekracht was, voordat deze ontdekt werd. De actuele waarneming van wat er in de wereld om ons heen gebeurt domineert onze ervaring. Door onze ogen te sluiten komen we makkelijker in contact met het model (simulatie) van de werkelijkheid dat de hersenen, bijna onder de bewustzijnsdrempel om ons heen vertoont. Dat model (die simulatie) is waarop we ons baseren bij ons gedrag en onze Description beslissingen, niet wat we waarnemen. NLP heeft de techniek ontwikkeld om direct met het model ven de werkelijkheid te werken. Mental space psychology verklaart hoe dat werkt en helpt om het nog veel beter te doen. Wat betekent dit in de praktijk? Als twee mensen een gesprek voeren, dan zijn ze beiden omringd door hun drie-dimensionale model van de wereld, dat voor beiden de enige 'echte' werkelijkheid lijkt. Maar in feite, bevinden ze zich in hun zelf geconstrueerde imaginatieve realiteit, en proberen ze die met woorden en gebaren aan elkaar duidelijk te maken. Maar de taal is in wezen maar 1-dimensionaal terwijl de subjectieve beleving 3 of 4-dimensionaal is. Bij een coaching gesprek betekent dit dat de coach expliciet informeert naar 'waar' de cliënt bepaalde dingen denkt en daarbij observeert zij of hij alle non-verbale signalen die iets over de ruimtelijke structuur van de ervaring prijsgeven. Daarnaast beseft de coach dat het uiteindelijk veranderingen in de locaties van de probleemgedachten zijn die met verbeteringen, oplossingen, resultaten samengaan. De mentale ruimte psychologie geeft prioriteit aan de ervaring in de ruimte. De taal is daarbij een hulpmiddel om de ervaring op te sporen en mee in beweging te brengen, maar de taal staat op het tweede plan. En dit bewerkt wonderen, omdat de ruimte het voornaamste organiserende principe in de psyche is. De hersenen zijn de plaats in het lichaam waar alle psychische processen gegenereerd worden, maar voor coaching en therapie is gedetailleerde kennis daarover maar van beperkte waarde. Voor wie? Deze training is voor coaches en professionals. Je hebt een NLP-opleiding gedaan, werkt met opstellingen, symboolwerk, tijdlijnen of vergelijkbare methoden. Wat je merkt: je doet al iets wat werkt, maar je kunt niet altijd precies zeggen waarom. Je wil meer greep op het mechanisme achter je interventies en zoekt meer diepgang. Je haalt het meeste uit deze training als je: Gecertificeerd NLP Practitioner, NLP Master of NLP Trainer bent Actief coacht of begeleidt in een professionele context Bereid bent om te oefenen, te bevragen en je aanpak te verfijnen Programmaonderdelen Blokkades opheffen Een serie in gesprekken toepasbare oefeningen dienen om directe ervaring op te doen met de processen in de mentale ruimte. Daarbij gaat het om het emotionele effect van bepaalde plekken in de ruimte. Om het opheffen van blokkades die de vrije blik naar de toekomst belemmeren. Ruimte gebruiken om problemen op te lossen Het verkrijgen van inzicht in hoe veel gebruikte NLP-interventies binnen de mentale ruimte functioneren. En nieuwe toepassingen die vanuit het vooropstellen van de ruimte opeens logisch zijn. Problemen met intermenselijke relaties, trauma’s, eetproblemen, rouw, depressie, eigenwaarde, conflicten en persoonlijkheidsstoringen, kunnen vanuit hun ruimtelijke structuur vaak verassend eenvoudig aangepakt worden. Verbinding met concrete toepassingen Van het Sociaal Panorama tot het Wholeness Process van Connirae Andreas, van Clean Space tot ruimtelijke ankers; de training laat zien hoe verschillende methoden dezelfde onderliggende logica delen. Je leert denken in termen van Mental Space en past dat toe op de situaties die je in je eigen praktijk tegenkomt.

CONTENTS This course provides an overview of the 5G Standalone (SA) network architecture and features as specified in the 3GPP standards. It examines the architecture and key components of both the Access and Core Networks, addressing deployment scenarios for Non-Standalone (NSA) and Standalone (SA) modes. The course concentrates on the advanced 5G SA capabilities – including features that support the transmission of voice, video, and data from a diverse set of applications with varying traffic characteristics, and those features that enable operators to deploy and manage the network in a cost-efficient and scalable manner. PREQUISITES Technical knowledge of mobile telecom is strongly recommended. A solid understanding of 4G LTE/EPS will be highly beneficial. Introduction to 5G Expectations and requirements 5G Use Cases Evolution of the 3GPP standards for 5G since R15 5G Network Architecture 5G network architecture: access networks and core network UE and external data networks Deployment options: Non-Standalone (NSA) and Standalone (SA) Network Functions Virtualisation (NFV) as a tool to implement the 5G System (5GS) 5G UE Identifiers 5G Access Network NG-RAN: 5G New Radio, NR NR Frequency bands for 5G: FR1 and FR2 (mmWave) Comparison of the NR and E-UTRAN characteristics NG-RAN: gNB gNB functionalities Centralized Radio Access Network (C-RAN) deployment option Open-RAN (O-RAN) deployment option LTE/E-UTRAN access in 5G Dual connectivity: single-RAT and multi-RAT Satellite Access in 5G Non-3GPP Access Networks Untrusted WiFi Trusted Wifi Multi-access PDU sessions for WiFi Offload Wireline/Fixed 5G Core Network 5G Core Network (5G CN) Architecture Service Based Architecture (SBA) principles 5G CN Network Functions (NFs) 5G CN roaming architecture Network Functions Virtualisation in 5G CN Basic signalling procedures UE Network Access: 5G Registration UE Service Access: PDU Session Establishment The 5G User Plane UP resources in 5G Basic definitions: QoS Flow, Service Data Flow (SDF) 5G QoS parameters: 5QI 5G Routing rules: traffic steering and influencing PDU Session Attributes Session types and the corresponding use cases Advanced 5G network capabilities for enhanced service handling Traffic Steering and Service Influencing via NEF: 5G APIs Network Slicing Edge computing Private Networks Local Area Data Networks Time Sensitive Communication Application-specific support in 5G Telephony Service support IP Multimedia Subsystem (IMS) control EPS/RAT fallback procedures Advanced Data Services support Sessions with multiple PSAs Localised Services Internet of Things (IoT) support

Training: Doorbraak in verandering Je brengt een concrete veranderuitdaging mee. We maken zichtbaar wat boven water is, en wat eronder zit en het eigenlijk stuurt. Senge en Scharmer* geven woorden aan wat je al voelde, maar nog niet scherp kon verwoorden. Geen college over verandering, maar een dag waarin verandering zelf al begint. *Peter Senge en Otto Scharmer zijn toonaangevende denkers over organisatieverandering, systeemdenken en leiderschap. Ze hebben meerdere boeken geschreven, zoals ‘Presence’, ‘Het vijfde discipline’ en ‘Theorie U’. Het programma De trainingsdag duurt van 10.00 tot 16.00 uur. Systeemdiagnose van je eigen vraagstuk: welke onderliggende patronen houden jouw verandering tegen? Een scherper beeld van je eigen rol in het systeem Een persoonlijke richting: geen nieuw stappenplan, maar een intentie die je kan volhouden als het moeilijk wordt Taal die blijft hangen: we geven woorden aan wat je voelt, maar nog niet scherp kan verwoorden Borrel in de tuin na afloop Kosten en locatie €450 per persoon, excl. btw €50 korting per persoon, per training bij: Inschrijving van 3 of meer wintertrainingen Deelname van minimaal 3 collega’s De korting wordt bij de facturering verwerkt.

Training: AI voor Lean experts Dit is een praktijkgerichte dag voor Lean experts die AI willen inzetten om hun verbeterwerk te versnellen. Korte, heldere uitleg over hoe AI werkt, gevolgd door hands-on werken met AI tools en die toepassen op jouw casus. Je past AI direct toe en gaat naar huis met iets dat je direct kunt gebruiken. Het programma De trainingsdag duurt van 10.00 tot 16.00 uur. Algemene introductie: hoe werkt AI en waar kan je het voor gebruiken? Hoe kan je AI veilig en bewust gebruiken? We nemen je mee in onze eigen Lean AI-tools Diagnosetool A3-tool Waardestroomanalyse-tool Je leert ook eigen tools bouwen en aanscherpen Borrel in de tuin na afloop Kosten en locatie €450 per persoon, excl. btw €50 korting per persoon, per training bij: Inschrijving van 3 of meer wintertrainingen Deelname van minimaal 3 collega’s De korting wordt bij de facturering verwerkt. Locatie: School voor Coaching, Biltstraat 200, Utrecht (goed bereikbaar met zowel OV als auto). Wat levert het op? Bewust en veilig gebruik van AI in jouw praktijk Je kunt AI meteen toepassen in je eigen verbeterwerk Je Lean-tools zijn scherper en sneller te ontwikkelen Voor wie is deze training? Green Belts, Black Belts en Lean-professionals met beperkte AI-ervaring die concreet aan de slag willen. Als je al heel veel van AI weet, is de training waarschijnlijk minder leuk voor jou. Voorwaarde: toegang tot een AI-tool. Bij voorkeur een betaald account (eventueel tijdelijk) van een AI-taalmodel zoals ChatGPT, Claude of Gemini. De gratis versies hebben namelijk beperkingen qua functionaliteit, en op het gebied van privacy en dataveiligheid.

Training: Pragmatisch projectmanagement We nemen je mee door de basisprincipes van projectmatig creëren en combineren dit met Lean en Agile werken. Onze handvatten geven jouw aanpak een stevigere ruggengraat, zodat je ‘gewoon’ lekker aan de slag kan en de randvoorwaarden op orde zijn. Daarnaast hebben we aandacht voor het team: hoe zorg je ervoor dat jullie er echt samen voor gaan. Tot slot, hoe ga je om met iedereen buiten je team: je klanten, gebruikers, opdrachtgevers en leidinggevenden die capaciteit moeten leveren. Het programma De trainingsdag duurt van 10.00 tot 16.00 uur. De basisprincipes van projectmatig creëren Een goede rolverdeling tussen opdrachtgever – projectleider – team De vier fases in een project Het belang van een goede project start-up Het team: komen tot een gezamenlijke aanpak en commitment van iedereen De rest: grip krijgen op alle stakeholders en hen meenemen Borrel in de tuin na afloop Kosten en locatie €450 per persoon, excl. btw €50 korting per persoon, per training bij: Inschrijving van 3 of meer zomertrainingen Deelname van minimaal 3 collega’s De korting wordt bij de facturering verwerkt. Locatie: School voor Coaching, Biltstraat 200, Utrecht (goed bereikbaar met zowel OV als auto). Wat levert het op? Soepeler lopende projecten Meer energie en commitment in het projectteam Meer draagvlak onder stakeholders Voor wie is deze training? Onder andere voor Green en Black Belts, Scrum Masters, Product Owners, projectleiders en opdrachtgevers die met een team werken en merken dat hun (verbeter)projecten om meer vragen om ze tot een goed eind te brengen.

Training: Trainersvaardigheden Dit is een afwisselende dag met korte blokjes theorie en voorbeelden uit onze eigen ‘trainerstrucjes-doos’. We oefenen vooral heel veel en ontdekken welke stijl bij jou past. Het programma De trainingsdag duurt van 10.00 tot 16.00 uur. Aandacht pakken én vasthouden (grab & connect) Effectief vragen stellen en omgaan met weerstand Storytelling voor een boodschap die blijft hangen Visueel ondersteunen via Graphic Facilitation Bewust inzetten van lichaamstaal De juiste interventie kiezen met het GLIPPD-model Borrel na afloop Kosten en locatie €450 per persoon, excl. btw €50 korting per persoon, per training bij: Inschrijving van 3 of meer wintertrainingen Deelname van minimaal 3 collega’s De korting wordt bij de facturering verwerkt. Locatie: School voor Coaching, Biltstraat 200, Utrecht (goed bereikbaar met zowel OV als auto). Wat levert het op? Je trainingen en workshops worden boeiender en effectiever Je staat met meer vertrouwen voor de groep Voor wie is deze training? Trainers, coaches, teamleiders en professionals die kennis overdragen of workshops begeleiden en daar graag nog beter in willen worden. Ook als je maar af en toe voor de groep staat.

Opleiding Functioneel Beheerder Wil jij de cruciale brug worden tussen mens, bedrijfsproces en IT? In vrijwel elke moderne organisatie zijn informatiesystemen de motor van de business. Maar wie zorgt ervoor dat deze systemen ook écht doen wat de gebruikers nodig hebben? Dat is de taak van de Functioneel Beheerder. Met deze praktijkgerichte, flexibele online opleiding transformeer je in 5 maanden tijd tot een startklare junior functioneel beheerder, zónder dat je diepgaande technische voorkennis nodig hebt.   Over de opleiding De opleiding Functioneel Beheer bereidt je grondig voor op een dynamische rol op het snijvlak van business en IT. Je leert hoe IT-systemen, bedrijfsprocessen, gebruikersvragen en data met elkaar samenhangen. Waar traditionele opleidingen vaak blijven steken in droge theorie, kiest deze opleiding voor een unieke, hands-on methode.   Wat ga je leren? Na afronding van deze opleiding beschikt de deelnemer over een ijzersterk portfolio en beheerst de volgende praktische en theoretische vaardigheden: Frameworks & Methodieken: Gedegen basiskennis van ITIL-processen (incident-, problem- en change management) en BiSL-domeinen (gebruiksbeheer en functionaliteitenbeheer). Tevens leer je functioneren binnen Agile & Scrum IT-teams. Analytisch Vermogen: Uitvoeren van gestructureerde impactanalyses bij IT-wijzigingen, risico-inschattingen maken en toepassen van Root Cause Analysis (zoals de 5x Why-methode) bij terugkerende problemen. Testing & Documentatie: Opstellen van functionele documentatie, heldere gebruikershandleidingen en het ontwerpen van testscenario's en acceptatiecriteria voor User Acceptance Testing (UAT). Tooling & Ticketing: Meldingen professioneel registreren, prioriteren en managen binnen moderne ITSM-workflows in Jira. Proces- en Ketenanalyse: Bedrijfsprocessen en informatiestromen functioneel uittekenen en analyseren om knelpunten en systeemafhankelijkheden in kaart te brengen. Voor wie is deze opleiding bedoeld? Deze opleiding is bij uitstek geschikt voor ambitieuze professionals op mbo+ tot hbo-niveau die de overstap willen maken naar de IT-sector (reskillers/zij-instromers) of professionals die intern willen doorgroeien naar een rol in informatiemanagement. Geen IT-achtergrond? Geen probleem! We starten bij de absolute basis (IT-fundamenten, cloud, security en netwerken) en bouwen het niveau stap voor stap op. Ervaring in een administratieve, zorg-, HR-, financiële of projectondersteunende rol is een pré, omdat procesmatig kunnen denken helpt om de organisatorische context sneller te begrijpen. Praktische informatie & Studieduur Totale studiebelasting: Ongeveer 300 uur (inclusief het maken van alle praktijkopdrachten en portfolio-onderdelen). Doorlooptijd: 5 maanden toegang tot het platform (gemiddeld 14 uur per week studiebelasting), volledig flexibel in te richten op eigen tempo. Taal: Nederlands. Begeleiding: Persoonlijke coaching, feedback op opdrachten en toegang tot een actieve online learning community. Eindproducten (Jouw Portfolio): Je verlaat de opleiding met tastbare bewijzen van je kunnen, waaronder een zelf opgesteld UAT-testplan, een functionele impactanalyse, een root cause-analyse en een gemodelleerde informatiestroom.   Toekomstperspectief Na het afronden van deze opleiding ben je direct inzetbaar voor veelvoorkomende functies zoals Junior Functioneel Beheerder, Applicatiebeheerder, of Informatiebeheerder binnen de zorg, overheid, het onderwijs of het bedrijfsleven—sectoren waar de vraag naar deze brugfunctionarissen momenteel enorm hoog is.

CompTIA DataX (DY0-001). The CompTIA DataAI (DY0-001) Training prepares you to combine data science and artificial intelligence techniques to solve business problems and support data-driven decision-making. This course covers key topics including mathematics, statistics, machine learning, data analysis, predictive modeling, data governance, and AI ethics. You will learn how to collect, prepare, analyze, and visualize data while applying machine learning algorithms and AI techniques to generate valuable insights. The training explores supervised and unsupervised learning, neural networks, deep learning, feature engineering, data pipelines, lifecycle management, and operational best practices. Advanced topics include natural language processing (NLP), computer vision, graph analytics, reinforcement learning, and signal processing. Ideal for data analysts, data scientists, AI practitioners, business intelligence professionals, and IT specialists, this course provides the knowledge and skills required to prepare for the CompTIA DataAI certification and succeed in modern data-driven organizations. Cursusinhoud 1. Mathematics and Statistics Build essential mathematical and statistical foundations for data science and machine learning: Descriptive and inferential statistics Probability theory and hypothesis testing Model evaluation metrics Regression and classification analysis Linear algebra and calculus Temporal and predictive modeling techniques CompTIA DataAI: Foundations of Descriptive Statistics and Probability Course: 48 Minutes Course Overview Role of Descriptive and Inferential Statistics in Data Analysis Calculating Measures of Central Tendency Knowledge Check: Using Descriptive and Inferential Statistics, and Measures of Central Tendency Computing Measures of Variability Skewness, Kurtosis, Quantiles, and Percentiles Knowledge Check: Identifying Measures of Variability and Distribution Characteristics Probability Fundamentals Conditional Probability and Bayes' Theorem Knowledge Check: Reviewing Probability Concepts and Conditional Probability Probability Distributions Visualizing PDF, PMF, and CDF Missing Data Mechanisms Knowledge Check: Identifying Probability Distributions and Functions, and Missing Data Types Course Summary CompTIA DataX (DY0-001): Inferential Statistics and Hypothesis Testing Course: 46 Minutes Course Overview Inferential Statistics Foundations Hypothesis Testing Concepts Knowledge Check: Reviewing Inferential Statistics and Hypothesis Testing Concepts P-Values and Confidence Intervals Performing and Interpreting T-Tests Knowledge Check: Performing and Interpreting P-Values, Confidence Intervals, and T-Tests Performing Chi-Squared Tests Performing ANOVA and Interpreting the F-Statistic Knowledge Check: Assessing Chi-Squared Tests and ANOVA, and Interpreting F-Statistic Results Statistics in ML Decision-Making Calculating Entropy, Gini Index, and Information Gain Knowledge Check: Applying Statistics in ML Using Entropy, Gini Index, and Information Gain Course Summary CompTIA DataX (DY0-001): Regression Metrics, Classification Metrics, and ROC/AUC Course: 1 Hour Course Overview Understanding Regression Models Regression Evaluation and Error Metrics Computing Regression Metrics Knowledge Check: Analyzing Regression Metrics Interpreting R² and Adjusted R² Residual Analysis Knowledge Check: Assessing Residual Analysis Evaluating Models Using AIC/BIC for Model Comparison Introduction to Classification Knowledge Check: Reviewing Classification Computing Classification Metrics Interpreting the Confusion Matrix and Error Types Knowledge Check: Analyzing the Confusion Matrix Interpreting ROC Curves and AUC Metrics Under Class Imbalance Knowledge Check: Exploring Metrics Under Class Imbalance Course Summary CompTIA DataX (DY0-001): Linear Algebra, Calculus, and Temporal Models Course: 1 Hour, 15 Minutes Course Overview Why Linear Algebra Matters in Machine Learning Implementing Vectors, Matrices, and Operations in Python Computing Distance Metrics: Euclidean, Manhattan, Cosine Knowledge Check: Assessing Vectors and Matrix Operations Logarithms and Log-Likelihood Partial Derivatives in Multivariate Functions Knowledge Check: Assessing Logarithms and Log-Likelihood Chain Rule for Composite Functions What Are Temporal Models? Knowledge Check: Assessing Temporal Models Implementing AR, MA, and ARIMA Survival Analysis and Causal Inference Implementing ATE, Kaplan-Meier Curves, and Confounder Handling Knowledge Check: Assessing Survival Analysis and Causal Inference Course Summary 2. Modeling, Analysis, and Outcomes Master the complete data preparation and analysis workflow: Exploratory Data Analysis (EDA) Data quality assessment and cleansing Feature engineering and enrichment Modeling readiness evaluation Business decision framing Data visualization and storytelling CompTIA DataX (DY0-001): Exploratory Data Analysis (EDA) Foundations Course: 52 Minutes Course Overview Why EDA Matters Feature Types and Visualizations Knowledge Check: Assessing Feature Types and Visualizations Conducting Univariate Analysis Conducting Bivariate Analysis Multivariate Analysis Knowledge Check: Reviewing Multivariate Analysis Pattern Detection in Data Statistical Methods for EDA Creating and Automating a Structured EDA Workflow Knowledge Check: Assessing Statistical Methods for EDA Course Summary CompTIA DataX (DY0-001): Detecting and Handling Data Issues Course: 1 Hour, 12 Minutes Course Overview Why Data Issues Matter Common Data Issues and Their Impact Diagnosing Data Signals and Issues Understanding Sparse Data Visualizing Sparse Data Patterns Knowledge Check: Assessing Common Data Issues and Data Sparsity Non-Linearity and Noise in Data Interpreting LOESS/LOWESS Plots Knowledge Check: Assessing Effects of Non-Linearity and Noise in Data Rolling Statistics and Decomposition Using Seasonal Decomposition Techniques Knowledge Check: Reviewing Rolling Statistics and Decomposition Methods Handling Granularity Mismatches in Datasets Visualizing and Managing Outliers in Data Multicollinearity in Data Knowledge Check: Assessing Data Multicollinearity and Granularity Calculating Variance Inflation Factor Develop Remediation Strategies for Data Issues Knowledge Check: Reviewing Data Remediation Strategies Course Summary CompTIA DataX (DY0-001): CompTIA DataX: Feature Engineering and Data Enrichment Course: 1 Hour, 16 Minutes Course Overview Feature Engineering Concepts Log and Power Transforms Knowledge Check: Assessing Feature Engineering Binning Techniques Encoding Methods for Categorical Data Knowledge Check: Assessing on Encoding Methods Implementing OneHotEncoding and OrdinalEncoding with sklearn Standardization and Normalization StandardScaler vs. MinMaxScaler Knowledge Check: Assessing Standardization and Normalization Comparing StandardScaler vs. MinMaxScaler Techniques for Modeling Non-Linearity Exploring Time-Series Patterns and Feature Engineering Alignment Introduction to Geospatial Features and Geocoding Concepts Using Simple Geocode APIs Efficient Preprocessing with sklearn Pipeline and ColumnTransformer Building Pipelines with sklearn Pipeline and ColumnTransformer Knowledge Check: Assessing Efficient Preprocessing Course Summary CompTIA DataX (DY0-001): Modeling Readiness and Decision Framing Course: 42 Minutes Course Overview Modeling in Analytics Lifecycle Defining Analytical Modeling Tasks Mapping Business Problems to Analytical ModelingTasks Assumptions and Constraints Baselines and Success Criteria Knowledge Check: Assessing Baselines and Success Criteria Modeling Risks Evaluation Goals for Models Validation Strategies Knowledge Check: Reviewing Evaluation Goals Defining the Decision Brief Boundary Course Summary CompTIA DataX (DY0-001): Data Visualization, Communication, and Outcomes Course: 48 Minutes Course Overview Why Data Insights Fail Without Clear Communication Choosing the Right Data Types and Charts Chart Smart: Mastering Data Visualization Implementing Cohesive Multi-Chart Analytical Views Navigate Uncertainty in Data Visualizations: Spotting and Avoiding Misleads Knowledge Check: Assessing Data Uncertainty and Visualizations Designing Accessible Visualizations Structuring Insights for Clear Communication Sequencing an Effective Data Story Designing Effective Dashboard Layouts Designing Insightful and Interactive Dashboards with Plotly Knowledge Check: Reviewing Accessible Visualization and Structuring Insights Course Summary 3. Machine Learning Develop practical machine learning expertise: Supervised learning algorithms Loss functions and optimization Tree-based and ensemble methods Neural networks and deep learning fundamentals Unsupervised learning techniques Dimensionality reduction and clustering CompTIA DataAI (DY0-001): Applied Supervised Learning - Core Algorithms and Model Selection Course: 1 Hour, 4 Minutes Course Overview Identifying Supervised Learning Concepts Linear Regression Techniques Implementing Multiple Linear Regression Using sklearn Logistic Regression Principles Training Logistic Regression on Binary Dataset Knowledge Check: Reviewing Logistic Regression K-Nearest Neighbors (KNN) Performing KNN Classification with Varying K Knowledge Check: Reviewing K-Nearest Neighbors (KNN) Naive Bayes Algorithm Implementing GaussianNB Using sklearn Knowledge Check: Reviewing Naïve Bayes Association Rule Metrics Identifying Association Rule Concepts Support Vector Machines (SVM) Supervised Learning Algorithm Selection Knowledge Check: Reviewing Support Vector Machines (SVM) Course Summary CompTIA DataAI: Machine Learning Mechanics - Loss, Generalization, and Model Optimization Course: 1 Hour, 5 Minutes Course Overview Machine Learning Workflow Loss Functions in Model Training Calculating Loss Functions Using sklearn Knowledge Check: Reviewing Loss Functions The Bias-Variance Tradeoff Model Regularization Techniques Applying L1, L2, and Elastic Net Regularization Knowledge Check: Assessing Regularization Techniques Cross-Validation for Model Performance Performing K-Fold, Stratified, and Time Series CV Cross-Validation Knowledge Check: Reviewing Cross-Validation Hyperparameter Tuning for Model Performance Performing Hyperparameter Tuning Using sklearn Data Leakage and Its Impact on Models Knowledge Check: Reviewing Hyperparameter Tuning Course Summary CompTIA DataAI (DY0-001): Tree-Based Methods and Ensemble Learning Course: 54 Minutes Course Overview Decision Tree Essentials Optimization of Decision Trees Knowledge Check: Reviewing Tree Essentials and Optimization Training a DecisionTreeClassifier Bagging and Random Forests Knowledge Check: Assessing Bagging and Random Forests Boosting Methods Training a GradientBoostingClassifier Hyperparameter Tuning for Ensembles Knowledge Check: Assessing Boosting Techniques and Hyperparameter Tuning Interpretability for Tree Ensembles Comparison of Tree-Based Models Knowledge Check: Reviewing Interpretability and Model Comparison Course Summary CompTIA DataAI (DY0-001): Deep Learning Essentials Course: 49 Minutes Course Overview Introduction to Deep Learning Concepts Artificial Neuron Mechanics Artificial Neural Network (ANN) Architecture and Data Flow Knowledge Check: Reviewing Artificial Neural Network Mechanics and Architecture Activation Functions and Non-Linearity Loss Functions and Optimization Basics Backpropagation and Gradient Flow Overfitting and Underfitting in Deep Networks Knowledge Check: Reviewing Activation Functions, Loss Functions, Overfitting, and Underfitting Regularization Techniques to Reduce Overfitting Normalization Techniques in Deep Learning Implementing a Simple ANN for Classification Comparison of Deep Learning Frameworks Knowledge Check: Reviewing Regularization Techniques, Normalization, and Deep Learning Frameworks Course Summary CompTIA DataAI (DY0-001): Unsupervised Learning and Dimensionality Reduction Course: 1 Hour, 6 Minutes Course Overview Unsupervised Learning Concepts Clustering Methods Overview Knowledge Check: Reviewing Unsupervised Learning and Clustering Fundamentals K-Means Clustering Implementing K-Means Clustering and Cluster Selection Knowledge Check: Reviewing K-Means Clustering Concepts and Application Hierarchical Clustering (Agglomerative) Implementing and Interpreting Dendrograms with SciPy Knowledge Check: Assessing the Use of Hierarchical Clustering and Dendrograms Density-Based Clustering (DBSCAN) Selecting the Right Unsupervised Technique Dimensionality Reduction Overview Knowledge Check: Identifying DBSCAN, Technique Selection, and Dimensionality Reduction Principal Component Analysis (PCA) Concepts Implementing Principal Component Analysis (PCA) and Visualization Singular Value Decomposition (SVD) Unsupervised Evaluation Metrics and Practical Interpretation Knowledge Check: Reviewing Principal Component Analysis Concepts and Application Course Summary 4. Operations and Processes Learn operational and engineering best practices: Business context and KPI frameworks Compliance and governance Data ingestion and pipeline design Data wrangling and labeling Lifecycle frameworks and version control Engineering and deployment best practices CompTIA DataAI (DY0-001): Business Functions, Compliance, and KPI Foundations Course: 53 Minutes Course Overview Identifying the Right Analytics Approach Understanding KPIs and Metrics Leading vs. Lagging Indicators Knowledge Check: Assessing KPIs and Leading/Lagging Indicators Data Governance in Data Science GDPR and Compliance Essentials Knowledge Check: Assessing Data Governance, GDPR, and Compliance Essentials Functional and Non-Functional Requirements Business vs. Analytical Problems and Risks Translating Business Questions into Model Design Business Requirements Documentation (BRD) Creating a Lightweight BRD for a Data Science Project Knowledge Check: Reviewing System Requirements, Business/Analytical Problems, and the BDR Course Summary CompTIA DataAI (DY0-001): Data Types, Data Ingestion, and Pipelines Course: 1 Hour, 2 Minutes Course Overview Understanding Data Wrangling and Cleaning Identifying Data Quality Issues: Spot, Classify, Act Techniques for Data Cleaning Knowledge Check: Assessing Your Understanding of Data Wrangling and Cleaning Merges and Joins Using Merge and Join Operations in Python Selecting the Right Imputation Strategy1 Predicting Missing Values Using Machine Learning Knowledge Check: Reviewing the Use of Merges and Joins Handling Inconsistent Granularity Ground Truth Labeling for Supervised Learning Knowledge Check: Assessing Your Understanding of Granularity and Ground Truth Labeling Pipelines for Scalable Labeling Documenting Data Quality and Transformations Knowledge Check: Reviewing Scalable Labeling and Documenting Data Qualit Course Summary CompTIA DataAI (DY0-001): Data Wrangling, Cleaning, and Ground Truth Labeling Course: 1 Hour, 2 Minutes Course Overview Understanding Data Wrangling and Cleaning Identifying Data Quality Issues: Spot, Classify, Act Techniques for Data Cleaning Knowledge Check: Assessing Your Understanding of Data Wrangling and Cleaning Merges and Joins Using Merge and Join Operations in Python Selecting the Right Imputation Strategy Predicting Missing Values Using Machine Learning Knowledge Check: Reviewing the Use of Merges and Joins Handling Inconsistent Granularity Ground Truth Labeling for Supervised Learning Knowledge Check: Assessing Your Understanding of Granularity and Ground Truth Labeling Pipelines for Scalable Labeling Documenting Data Quality and Transformations Knowledge Check: Reviewing Scalable Labeling and Documenting Data Quality Course Summary CompTIA DataAI (DY0-001): Lifecycle, Version Control, and Engineering Best Practices Course: 1 Hour, 5 Minutes Course Overview Data Science Lifecycle Frameworks Mapping Lifecycle Phases to Deliverables Knowledge Check: Reviewing the Data Science Lifecycle Framework Lifecycle Artifacts Identification Version Control Concepts and Benefits Using Git for Data Science Projects Clean Coding Practices Knowledge Check: Understanding Version Control Concepts and Clean Coding Practices Spotting Code Quality Issue The Importance of Testing Writing Unit Testing in Python for Data Functions Experiment Tracking and Reproducibility Knowledge Check: Reviewing Testing, Experiment Tracking, and Reproducibility Dependency Management and Container Basics Project Structure and Integration with CI Knowledge Check: Assessing Dependency Management, Container Basics, and Integration with CI Course Summary CompTIA DataAI (DY0-001):MLOps, CI/CD, Containerization, and Deployment Environments Course: 57 Minutes Course Overview DevOps vs. MLOps Overview MLOps in Data Science Workflows Knowledge Check: Assessing MLOps in Data Science Workflows Model Validation Concepts CI/CD for ML Systems Model Formats and API Serving Patterns Knowledge Check: Reviewing Model Validation, CI/CD, and Model Formats Containerization Basics Dockerfile and Image Building Orchestration with Kubernetes Knowledge Check: Reviewing Containerization and Orchestration with Kubernetes Deployment Environments Matching Deployment Environment to Use Case Monitoring and Validation Building the ML Deployment Architecture Knowledge Check: Reviewing Deployment Environments and Metrics Course Summary 5. Specialized Applications of Data Science Explore advanced AI and data science applications: Optimization techniques Natural Language Processing (NLP) Tokenization and embeddings Computer vision fundamentals Graph analysis Reinforcement learning Signal processing techniques CompTIA DataAI (DY0-001): Optimization for Data Science Course: 38 Minutes Course Overview Anatomy of an Optimization Problem Gradient Descent: The Optimization Engine Implementing Gradient Descent Algorithms Constraints as Geometry in Optimization Analyzing Optimization Tuning Challenge Knowledge Check: Reviewing Fundamentals and Gradient Descent Course Summary CompTIA DataAI (DY0-001): Natural Language Processing (NLP) Techniques Course: 59 Minutes Course Overview Introduction to Natural Language Processing Exploring NLP Challenges Text Preprocessing and Normalization Knowledge Check: Reviewing Fundamentals and Techniques of Text Preprocessing Feature Extraction and Text Vectorization Implementing Text Preprocessing and Feature Extraction Word Embeddings and Semantic Analysis Visualizing Word Embeddings Knowledge Check: Assessing Feature Extraction, Vectorization, and Word Embedding Concepts Sentiment Analysis and Text Classification Topic Modeling and Document Classification Knowledge Check: Implementing Sentiment Analysis and Topic Modelling Course Summary CompTIA DataAI (DY0-001): Computer Vision Techniques & Applications Course: 37 Minutes Course Overview Fundamentals of Computer Vision Optical Character Recognition (OCR) Knowledge Check: Identifying Computer Vision and OCR Concepts Applying OCR to Extract Text from Images Why Data Augmentation Matters in Computer Vision Exploring Practical Data Augmentation for Computer Vision Knowledge Check: Implementing Data Augmentation Techniques Convolutional Neural Network (CNN) Object Detection and Tracking Fundamentals Comparing Classification, Detection, and Segmentation Knowledge Check: Reviewing Convolutional Neural Network (CNN) and Object Tracking Course Summary CompTIA DataAI (DY0-001): Graph Analytics, Reinforcement Learning, and Detection Techniques Course: 55 Minutes Course Overview Graph Analytics Fundamentals Mapping Graph Concepts Performing Graph Analytics Knowledge Check: Identifying Graph Analytics Concepts Fundamentals of Reinforcement Learning Reinforcement Learning Algorithms Fraud Detection Techniques and Challenges Knowledge Check: Reviewing Reinforcement Learning and Fraud Detection Applying Anomaly Detection Methods Signal Processing Knowledge Check: Understanding Anomaly Detection and Signal Processing Integration of Graphs, RL, and Detection Techniques Algorithm Selection Principles Applying Algorithm Selection to Real‑World Scenarios Knowledge Check: Assessing Detection Techniques and Algorithm Selection Course Summary Specificaties Taal: Engels Kwalificaties van de Instructeur: Gecertificeerd Cursusformaat en Lengte: Lesvideo's met ondertiteling, interactieve elementen en opdrachten en testen Lesduur: 21:45 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.

AI en Copilot spelen een steeds grotere rol binnen Power BI. Binnen enkele seconden visuals, analyses en DAX laten genereren klinkt geweldig, maar hoe zorg je ervoor dat de output ook écht goed is? Wanneer kun je Copilot vertrouwen en hoe haal je er daadwerkelijk waarde uit binnen je dagelijkse BI-werkzaamheden? In deze training leer je stap voor stap hoe je Copilot slim inzet binnen Power BI. Je ontdekt hoe Copilot werkt met data, rapporten en DAX, hoe je betere prompts schrijft en waar de belangrijkste valkuilen zitten. Daarbij ga je vooral veel praktisch oefenen, zodat je het geleerde direct kunt toepassen in je eigen werk. In één dag leer je: Wat Copilot binnen Power BI precies is en hoe het werkt Hoe je Copilot gebruikt voor het ontwikkelen van rapportages, analyses en DAX Hoe je goede prompts schrijft voor de juiste resultaten Waar de valkuilen en beperkingen van AI binnen Power BI liggen Programma Je gaat een hele dag praktisch aan de slag. Je ontdekt stap voor stap hoe Copilot in Power BI werkt. We oefenen veel en gebruiken herkenbare voorbeelden. Zo weet je zeker dat je de stof direct kunt gebruiken. Wat is Copilot in Power BI? We starten met de basis. Wat is Copilot precies? Hoe werkt het binnen Power BI en Microsoft Fabric? Daarnaast kijken we waar Copilot echt waarde toevoegt en waar je juist kritisch moet blijven kijken naar de output. Setup, licenties en voorwaarden Voordat je met Copilot kunt werken moet de basis goed staan. We behandelen de benodigde licenties, tenant settings en instellingen binnen Power BI. Ook kijken we naar het belang van goed ingerichte datasets en semantic models. Werken met Copilot in Power BI Desktop Nu gaan we echt aan de slag. Je leert hoe je Copilot gebruikt om visuals, rapporten en inzichten te genereren met natural language. Daarbij ontdek je wat goed werkt in de praktijk en waar de beperkingen liggen. Prompting: juiste vraag = juiste output De outputkwaliteit van Copilot hangt sterk af van de prompts die je schrijft. Je leert hoe je betere vragen stelt voor analyses, visuals en DAX. Kleine verschillen in je prompt kunnen namelijk grote impact hebben op het resultaat. Copilot en DAX Copilot kan helpen bij het schrijven, verbeteren en uitleggen van DAX-measures. We laten zien hoe Copilot omgaat met berekeningen, filter context en aggregaties. Natuurlijk leer je ook waarom controle op de output belangrijk blijft. Data-analyse en inzichten met AI Je ontdekt hoe CoPilot helpt bij het analyseren van datasets en het vinden van trends, afwijkingen en inzichten. We oefenen met het stellen van slimme vragen aan je data. Daarbij kijken we ook kritisch naar de betrouwbaarheid van de antwoorden. Valkuilen, risico’s en betrouwbaarheid AI is krachtig, maar zeker niet foutloos. Daarom besteden we aandacht aan hallucineren, verkeerde interpretaties en andere risico’s. Je leert hoe je AI-output controleert en verantwoord gebruikt binnen Power BI. Praktisch werken met Copilot en best practices Tijdens verschillende oefeningen ga je zelf actief aan de slag met Copilot. Je gebruikt datasets, bouwt visuals, genereert DAX en analyseert data. Daarnaast delen we praktische tips en best practices om Copilot slim in te zetten binnen je dagelijkse BI-werkzaamheden. De training zit verder vol praktische tips, voorbeelden en eyeopeners. Ook als je al ervaring hebt met Power BI en Copilot zul je ongetwijfeld nieuwe mogelijkheden leren die Copilot toevoegt aan je manier van werken. Na afloop ontvang je een certificaat en kun je direct zelf aan de slag met Copilot in Power BI! Voor deze training is basiskennis en enige ervaring met Power BI belangrijk. Denk hierbij aan kennis van datamodellen, visualisaties, Power Query en basis DAX. Heb je deze kennis nog niet, volg dan eerst onze Power BI Fundamentals Level 1 en Level 2 trainingen. Data en locaties Je kunt deze cursus volgen op onze verschillende locaties in Utrecht, Amstelveen, Rotterdam en Eindhoven. De cursus is ook incompany te boeken op jullie eigen locatie en op maat gemaakt voor het team. Bekijk hier de mogelijkheden. Kosten Het inschrijfgeld bedraagt € 595 per persoon (exclusief 21% BTW). Het inschrijfgeld is inclusief koffie/thee, een uitgebreide lunch, gebruik van onze cursuslaptops en alle overige cursusmaterialen. Voor wie Deze training is voor iedereen die al basiservaring heeft in Power BI en graag wil weten hoe Copilot je kan helpen om sneller en slimmer te werken. Je leert hoe AI je dagelijkse werkzaamheden kan ondersteunen en versnellen. Omdat de output van AI altijd gecontroleerd moet worden heb je wel voorkennis nodig van Power BI op het niveau van onze Power BI Fundamentals trainingen (Level 1 en 2).