Introductie Data Science processen, analyse en ethiek
Deze tweedaagse leergang biedt professionals uit verschillende disciplines een stevige basis in verantwoord gebruik van data science-technieken. Aan de hand van het CRISP-DM model (zie voor een korte uitleg hierover dit artikel door Medium) en instrumenten zoals De Ethische Data Assistent (DEDA), Impact Assessment Mensenrechten en Algoritmen (IAMA), worden deelnemers uitgedaagd om complexe data-analyse te benaderen met oog voor ethiek, onzekerheid en maatschappelijke impact. Geen standaard stappenplan, maar een praktische toolkit voor kritische besluitvorming in data science- en AI-projecten.
Wat biedt dit programma?
De deelnemers leren:
- Inzicht in de ethische risico’s en maatschappelijke gevolgen van data science
- Werken met CRISP-DM als raamwerk voor het volledige ontwikkelproces van AI
- Reflecteren op de rol van onzekerheid, dark data en verkeerde aannames
- Vertalen van wetenschappelijke inzichten naar praktische toepassingen in hun eigen organisatie
- Technieken selecteren die passen bij specifieke data-uitdagingen
- Casuïstiek analyseren met impact assessments zoals IAMA en DEDA
Voor wie is de leergang bedoeld?
Deze cursus is bedoeld voor managers, ontwikkelaars, beleidsmakers en (data)wetenschappers die willen leren hoe zij data science verantwoord kunnen inzetten.
Vaste programma-onderdelen
Programma-onderdeel | Beschrijving |
|---|---|
Data ethiek I | Introductie op ethische afwegingen met DEDA en IAMA |
De anatomie van een antwoord | Omgaan met onzekerheid, missing data en modelvaliditeit |
CRISP-DM en het cyclische proces van AI | Structuur in het data science-proces |
Verbinding met de praktijk | Reflectie op toepassing binnen eigen organisatie |
Uitdagingen in data: technieken | Verkenning van actuele analysetechnieken op maat (zoals time series of missing data) |
Keuzemodules (selectie van 2 of 3 modules)
Programma-onderdeel | Beschrijving |
|---|---|
Data curation & wrangling | Van ruwe data naar bruikbare datasets |
Data ethiek II | Toepassing van IAMA op eigen casus |
Concept drift & non-stationarity | technieken om de tijdsdimensie in data science te integreren |
Dark Data & Missingness | Onvolledige data herkennen en hanteren |
Digital Twins | Technische en ethische implicaties van digital twins |
Monitoring ML & evaluatie | Controle op algoritmische besluitvorming |
Praktische informatie
- Duur: 2 dagen (aaneengesloten of met tussenruimte)
- Locatie: Universiteit Utrecht of in-house
- Opzet: Modulair en op maat ontwikkeld.
- Docenten: Iris Muis, Gerko Vink, Stef van Buuren, Georg Krempl, Hakim Qahtan, Laurence Frank.
Neem contact op met: Laurence Frank, coordinator onderwijs voor professionals op coordinator Onderwijs voor Professionals op het gebied van Data Science & AI. E-mail: PE.DSAI@uu.nl
Deze leergang is tot stand gekomen door een samenwerking tussen het Departement Informatica aan de Bètafaculteit, Data School aan de Faculteit Geesteswetenschappen en Methoden en Statistiek aan de Faculteit Sociale Wetenschappen.