Door effectief gebruik te maken van data is er een flinke winst te behalen op het gebied van productie en kwaliteit. De beschikbare data bewerkingstechnologieën, waaronder algoritmes en diverse software tools, zorgen ervoor dat deze data gedreven aanpak in handbereik is gekomen voor alle bedrijven. Een voorwaarde om succesvol te zijn in dergelijke trajecten is het opstellen van kwaliteitsdata oftewel in vakjargon, de tidy data sets.
In de 3-daagse praktische cursus Quality data krijgt u het inzicht en leert u de technieken om deze tidy data sets zelfstandig vorm te geven. De cursus richt zich op bedrijven die actief zijn in de industrie en die de productie omgeving willen verbeteren op het gebied van output, kwaliteit of onderhoud.
Dit levert de cursus u op
Tijdens deze cursus leert u waarom tidy datasets het startpunt zijn voor analyses in data science. Ook leert u hoe u vanuit uw specifieke productieproces kunt komen tot tidy datasets. U leert de open-source Python software omgeving in te zetten om u hierbij te helpen. Al tijdens de cursus kunt u in uw eigen werkomgeving met de materie aan de slag.
Aan het einde van deze cursus beschikt u over de volgende vaardigheden en inzichten:
Deze cursus is voor iedereen die data gedreven projecten gaat opzetten en uitvoeren. U bent verantwoordelijk voor het vormgeven van de juiste tidy data set(s). Denk hierbij aan professionals werkzaam als: data engineer, data scientist, production engineer of quality engineer. De projecten richten zich op het verbeteren van productie, onderhoud en productkwaliteit met behulp van data analyse, waaronder moderne data science technieken. Enige ervaring in programmeren is wenselijk, deelnemers behoeven geen voorkennis te hebben van Python. U wilt groeien in het programmeren in Python, of wilt weten wie of wat daarvoor nodig is.
Bij de cursus ontvangt u een syllabus. Verder maakt u gebruik van de (open-source) software Python, de standaard in data science. Ook verkrijgt u Python script voorbeelden voor het verzamelen en ordenen van ruwe data en suggesties voor verdere online verdieping in de materie.
Door effectief gebruik te maken van data is er een flinke winst te behalen op het gebied van productie en kwaliteit. De beschikbare data bewerkingstechnologieën, waaronder algoritmes en diverse software tools, zorgen ervoor dat deze data gedreven aanpak in handbereik is gekomen voor alle bedrijven. Een voorwaarde om succesvol te zijn in dergelijke trajecten is het opstellen van kwaliteitsdata oftewel in vakjargon, de tidy data sets.
In de 3-daagse praktische cursus Quality data krijgt u het inzicht en leert u de technieken om deze tidy data sets zelfstandig vorm te geven. De cursus richt zich op bedrijven die actief zijn in de industrie en die de productie omgeving willen verbeteren op het gebied van output, kwaliteit of onderhoud.
Dit levert de cursus u op
Tijdens deze cursus leert u waarom tidy datasets het startpunt zijn voor analyses in data science. Ook leert u hoe u vanuit uw specifieke productieproces kunt komen tot tidy datasets. U leert de open-source Python software omgeving in te zetten om u hierbij te helpen. Al tijdens de cursus kunt u in uw eigen werkomgeving met de materie aan de slag.
Aan het einde van deze cursus beschikt u over de volgende vaardigheden en inzichten:
Deze cursus is voor iedereen die data gedreven projecten gaat opzetten en uitvoeren. U bent verantwoordelijk voor het vormgeven van de juiste tidy data set(s). Denk hierbij aan professionals werkzaam als: data engineer, data scientist, production engineer of quality engineer. De projecten richten zich op het verbeteren van productie, onderhoud en productkwaliteit met behulp van data analyse, waaronder moderne data science technieken. Enige ervaring in programmeren is wenselijk, deelnemers behoeven geen voorkennis te hebben van Python. U wilt groeien in het programmeren in Python, of wilt weten wie of wat daarvoor nodig is.
Bij de cursus ontvangt u een syllabus. Verder maakt u gebruik van de (open-source) software Python, de standaard in data science. Ook verkrijgt u Python script voorbeelden voor het verzamelen en ordenen van ruwe data en suggesties voor verdere online verdieping in de materie.
Na zijn opleiding tot Chemisch Technoloog (TU Eindhoven, 1989) was Erwin Gijzen ruim 10 jaar werkzaam bij General Electric Plastics. Daar heeft hij de Six Sigma Black Belt training gevolgd en werkt sinds 1990 in data-gedreven product- en procesontwikkeling. Na ook ervaring opgedaan te hebben in de IT-wereld, was hij sinds 2003 werkzaam als Master Black Belt / consultant in complexe industriële product- en procesontwikkeling bij o.a. Philips, ASML, Sanquin, Kiwa, Bolletje en Polaroid. Tevens doceert Erwin al enige jaren in zijn vakgebied. Tegenwoordig promoot hij het combineren van beproefde methodes uit Six Sigma met moderne data science technieken in Python.
Inschrijven | Plaats | Startdatum | Begintijd | Eindtijd | Prijs | Avonden / Dagen |
---|---|---|---|---|---|---|
Direct inschrijven | Veldhoven | 08-06-2021
vervolgdata
15-06-2021
22-06-2021 ... in totaal 3 bijeenkomsten |
9:00 | 16:30 | € 1450 | 3 |
Wanneer u meerdere medewerkers in uw bedrijf op wilt laten leiden, is het interessanter en voordeliger om een cursus bij u op locatie te organiseren. Een goede afstemming op uw bedrijfsspecifieke situatie en de inzet van zeer ervaren docenten die hun sporen in de praktijk hebben verdiend is hierbij essentieel. Mikrocentrum is CEDEO-erkend en garandeert de beste kwaliteit.
Heeft u interesse in een bedrijfsintern traject? Onze opleidingsmanager Wouter Lintsen komt graag vrijblijvend bij u op bezoek.
Wanneer u meerdere medewerkers in uw bedrijf op wilt laten leiden, is het interessanter en voordeliger om een cursus bij u op locatie te organiseren. Een goede afstemming op uw bedrijfsspecifieke situatie en de inzet van zeer ervaren docenten die hun sporen in de praktijk hebben verdiend is hierbij essentieel. Mikrocentrum is CEDEO-erkend en garandeert de beste kwaliteit.
Heeft u interesse in een bedrijfsintern traject? Onze opleidingsmanager Wouter Lintsen komt graag vrijblijvend bij u op bezoek.