Het doel van deze minor is het doen van pilot-projecten voor complexe vraagstukken rondom data science op een veelvoud aan (bedrijfs)achtergronden, zoals het waterschap, ziekenhuizen, verzekeringswezen en banken, de bouw, logistiek, de cultuursector, etc. Dit door studenten multidisciplinair te laten samenwerken op basis van Design Thinking, met een externe opdrachtgever, of een (groeps)project op school.

Inhoud van de minor

De inhoud van de minor wordt bepaald op basis van de vraag vanuit de business:

Afhankelijk van de vraag vanuit de business wordt er een keus gemaakt op welke fasen van de Data Science cycle de nadruk ligt. Voor studenten met niet-IT achtergrond ligt de nadruk op de stappen 1, 4, 6 en 7: dit zijn de stappen waarbij ontwerp en visualisatie centraal staan. Als student ga je aan de slag met het vraagstuk van de opdrachtgever, en daarbij krijg je ondersteuning bij de uitdagingen die je onderweg tegenkomt. Dit zijn onder andere: oriëntatie op het vraagstuk, hoe je data verwerkt naar informatie, en bijbehorende data- en visualisatietechnieken. Het is zelfstudie onder begeleiding, waarbij er lessen en ateliers aangeboden worden ter ondersteuning.
Voor HBO-ICT'ers wordt aandacht gegeven aan analyse van gestructureerde en ongestructureerde data, verandermanagement, ethische en juridische aspecten, compliance, implementatie(plannen), teststrategieën en architectuur (dit zijn enkele aspecten minimaal HBO-i data science niveau. 

Opzet van de minor

Totaal aantal EC’s: voor het project in totaal 15 EC, waarvan 6 EC’s Analytics en Statistiek, in de vorm van twee assessments.
Leerdoelen
Data Science:
 

• Het begrijpen van wat data gedreven werken is.
• De vertaalslag maken van een bedrijfsprobleem binnen een technische context naar een data science vraagstuk, waarin onderscheid gemaakt worden tussen hoofdvragen en deelvragen.
• Een actuele onderzoeksvraag die is gerelateerd aan het vertalen van grote hoeveelheden data –of complexe data– naar een databeheer en analyse strategie.
• Data en (exploratieve) inzichten interpreteren, uitleggen en bediscussiëren.
• Functies gebruiken voor het importeren, bewerken, visualiseren en modelleren van data.
• De uitkomsten van de activiteiten door middel van een demonstratie, een poster en een persoonlijk gesprek effectief en professioneel communiceren.
• Rekening houdend met de betrouwbaarheid van het resultaat, aanbevelingen doen voor data gedreven beslissingen binnen een technische context.
• Reflecteren op de opgedane ervaringen.

• Een product opleveren dat overdraagbaar is.
   

  Persoonlijke ontwikkeling:
   

• Uiteraard doe je ervaring op in projectmatig werken, werken in teamverband, interviewen, presenteren, plannen, rapporteren etc. etc.
• In deze minor leer je specifiek een kritisch onderzoekende houding, de waarde van betrouwbare en transparante data analyse, het bewust worden de risico’s van biases. IT affiniteit en sensitiviteit.

Doelgroep, gewenste voorkennis, bijzonderheden

De minor wordt in het Nederlands gegeven. 

In principe is deze minor vrij toegankelijk, echter de ervaring leert dat enige ervaring met het bewerken van data (bijvoorbeeld Excel/Access) gewenst is. Een tweede vereiste is dat je bekend moet zijn met een aantal basistechnieken uit de statistiek: gemiddelde, standaardafwijking, variantie, histogrammen maken. Indien dit ontbreekt raden we je aan voorafgaand aan de minor een statistiek cursus te volgen, bijvoorbeeld op DataCamp. Echte programmeerkennis is niet vereist, tijdens de minor wordt gebruik gemaakt van DataCamp een online learning platform om het programmeren te leren, of van PowerBI, afhankelijk van de context van het project. Belangrijk is dat je wil leren, en daar moeite voor wilt doen. 

Leren programmeren gaat met vallen en opstaan en je moet het aangaan om te durven vallen. Maar vooral: je moet geïnteresseerd zijn in het werken met getallen, met databestanden en met het interpreteren van data. Propedeuse behaald

• Literatuur:
  Het volgende studiemateriaal is verplicht
   
• Briney, K. (2016). Data Camp Instructional Materials.
   
• Cielen, D., & Meysman, A. (2016). Introducing data science: big data, machine learning, and more, using Python tools. Simon and Schuster.
  Daarnaast wordt gebruikt gemaakt van wetenschappelijke papers over big data en key performance indicators.
   
• De literatuur betreffende het bedrijfsvraagstuk is afhankelijk van de opdrachtgever en zal tzt bepaald worden.                                                          Verder adviseren we je middels zelfstudie te bekwamen in het data werkveld, bijvoorbeeld door het luisteren van podcasts zoals www.dedataloog.nl

Toetsing 

Totaal aantal EC’s: voor het project in totaal 15 EC, waarvan 6 EC’s Analytics en Statistiek, in de vorm van twee assessments.
De bewijsvoering van het project bestaat uit een productpresentatie middels film, een ontwerp, de verantwoording van product en proces – hierover wordt een assessment afgenomen.