AAI LeerlijnAventus • ICT System Engineer

Periode 2 • 8 weken

Data Science & Machine Learning

Machine Learning heb je al behandeld. Daarom gaan we snel naar Python, Jupyter, data en het toepassen van een model.

VoorafLes 1Les 2Les 3Les 4Project

Voor les 1: installeer Python

Doe dit één keer goed. Daarna kun je de hele periode lokaal werken.

Windows

  1. Ga naar python.org/downloads.
  2. Download Python 3.
  3. Vink Add python.exe to PATH aan.
  4. Kies Install Now.
  5. Open PowerShell opnieuw.
py --versionpy -m pip --version

macOS

  1. Ga naar python.org/downloads.
  2. Download de macOS installer.
  3. Installeer Python 3.
  4. Open Terminal opnieuw.
python3 --versionpython3 -m pip --version
1
Jupyter

Installeren & eerste notebook

Doel: Jupyter werkt lokaal en je kunt zelfstandig cellen maken, uitvoeren en opnieuw starten.
1
Installeer packagespy -m pip install notebook pandas matplotlib scikit-learn
2
Start Jupyterjupyter notebook
3
Open notebook

Voer iedere cell uit met Shift + Enter.

4
Restart

Restart de kernel en run alles opnieuw.

Opdracht

Vul jouw gegevens in, voeg één Markdown-cell toe en maak een code-cell die berekent hoeveel dagen oud je ongeveer bent.

ZIP-alternatief
Klaar als: het notebook na een kernel-restart volledig zonder fouten draait.
2
pandas

Data onderzoeken

Context: een fictief reisplatform geeft je vakantieboekingen. Eerst begrijpen, daarna pas modelleren.
1
Lees CSV indf = pd.read_csv("vakantieboekingen.csv")
2
Bekijk data

Gebruik head(), shape, info() en describe().

3
Filter

Filter op budget, land of aantal dagen.

4
Visualiseer

Maak één staafdiagram en schrijf conclusies.

Opdracht

Bepaal aantal boekingen, gemiddeld budget, top-3 landen, maak twee filters en één staafdiagram. Schrijf twee conclusies.

DatasetZIP-alternatief
Klaar als: iemand anders jouw notebook kan openen en jouw conclusies kan controleren.
3
CRISP-DM • voetbaldata

Voorspel een Champions League-uitslag

Casus: een sportwebsite wil vóór een Champions League-wedstrijd een verwachte eindstand tonen. Je krijgt uitslagen uit het seizoen 2025/26. Jouw taak is om eerst te onderzoeken welke informatie bruikbaar is om een nieuwe wedstrijd tussen twee clubs te voorspellen.
Doel: CRISP-DM praktisch toepassen. Je onderzoekt data, bedenkt mogelijke features en maakt een onderbouwde voorspelling — maar je traint in deze les nog géén ML-model.
1
Business Understanding

Wat wil de sportwebsite voorspellen? Wanneer zou zo'n voorspelling nuttig zijn?

2
Kies twee clubs

Kies twee clubs die meerdere wedstrijden in de dataset hebben, bijvoorbeeld Arsenal en Paris Saint-Germain.

3
Onderzoek hun prestaties

Bereken gemiddeld goals voor, gemiddeld goals tegen, thuis/uit en bekijk de laatste drie wedstrijden.

4
Bedenk features

Welke gegevens zouden later nuttig zijn voor een model? Denk aan vorm, gemiddelde goals, thuisvoordeel en onderlinge resultaten.

5
Voorspel zelf

Maak op basis van je analyse een nieuwe scorevoorspelling en onderbouw deze met minimaal drie observaties.

Opdracht

Kies twee clubs uit de dataset en voorspel de uitslag van een nieuwe onderlinge wedstrijd. Je gebruikt statistiek en logisch redeneren, nog geen scikit-learn.

Champions League dataset ZIP met beide bestanden
Klaar als: je notebook laat zien welke twee clubs je koos, wat hun statistieken zijn, welke features je later zou gebruiken en welke score jij voorspelt met een korte onderbouwing.
Belangrijk: de dataset bevat Champions League-resultaten uit 2025/26. Eén seizoen is te beperkt om een echt betrouwbaar voetbalmodel te bouwen. Dat is juist onderdeel van de les: nadenken over welke extra data je nodig zou hebben.
4
scikit-learn

Een model bouwen & evalueren

Context: een fictieve webshop wil voorspellen of een bezoeker koopt.
1
Maak X en y

Features en target.

2
Train/test split

Houd testdata apart.

3
Train model

Gebruik bijvoorbeeld een Decision Tree.

4
Meet & onderzoek

Accuracy, confusion matrix en fout voorspelde records.

Opdracht

Train één classificatiemodel, bereken accuracy, maak een confusion matrix, onderzoek minimaal drie fouten en wijzig één instelling om te zien wat er verandert.

DatasetZIP-alternatief
Klaar als: je kunt uitleggen wat je model doet, hoe goed het werkt en waar het fouten maakt.

Week 5 t/m 8

Praktijkproject

Vanaf nu krijg je minder stappen. Je past dezelfde werkwijze zelfstandig toe op een nieuwe casus en dataset.

Week 5 — Onderzoeken

Businessvraag, target, features, datakwaliteit en eerste analyse.

Week 6 — Bouwen

Data voorbereiden en een passend model trainen.

Week 7 — Testen

Resultaten onderzoeken, fouten analyseren en gericht verbeteren.

Week 8 — Demo

Notebook live tonen en een praktisch bedrijfsadvies geven.