Gedaan met laden. U bevindt zich op: Postgraduate Studies: Big Data & Analytics in Business and Management

Postgraduate Studies: Big Data & Analytics in Business and Management

Opleidingsverstrekker
Katholieke Universiteit Leuven
Registratienummer
ODB-0002138
Geregistreerd
op: 1 september 2019

Deze opleiding komt in aanmerking voor

  • Opleidingscheques
  • Vlaams opleidingsverlof

Aantal studiepunten: 20

Eindbeoordeling voorzien: ja

Blended leren: nee

Mentoropleiding: nee

Doelgroep

  • Zowel bedrijfsgeöriënteerde (management) als meer technische profielen. Het doel is dat de opleiding een brug slaat tussen beiden. Voorbeelden van profielen die we wensen te benaderen:'* Chief science / analytics / data science officers
  • Governance specialists
  • Compliance & risk officers and managers
  • Data architects
  • Junior industry data scientists
  • Data related programme managers
  • Business analysts, product managers

Voorwaarden

  • Specifieke voorwaarden per opleidingsincentive

    Elke opleidingsincentive heeft zijn eigen specifieke voorwaarden om te bepalen of u recht heeft. Kijk na of u voldoet aan de voorwaarden van de opleidingsincentive waarvan u gebruik wil maken (Vlaams opleidingsverlof(opent in nieuw venster), Vlaams opleidingskrediet(opent in nieuw venster) en opleidingscheques voor werknemers(opent in nieuw venster)

  • Opleidingscheques: beperkende voorwaarde opleidingsniveau

    Deze opleiding kan u betalen met een opleidingscheque. Bent u hooggeschoold (u behaalde een graduaats-, bachelor- of masterdiploma)? Dan kan dat enkel als u een ‘attest loopbaanbegeleiding’ heeft van maximaal 6 jaar oud. In dit attest verklaart een loopbaanbegeleider dat de opleiding noodzakelijk is voor de uitvoering van uw persoonlijk ontwikkelplan (POP). In de aanvraag van de opleidingscheque wordt automatisch de opleidingscode ODB-P00001 ingevuld.

Inhoud van de opleiding

  1. Fundamentals of Data Analytics
    • Predictive analytics: supervised learning techniques
    • Descriptive analytics: unsupervised learning techniques
    • The analytics process model: data collection and preprocessing, model construction and evaluation
  2. Analytics Business Applications
    • Marketing analytics
    • Recommender systems
    • Insurance analytics
    • Tekst mining
    • Web mining
    • Social network analytics
    • Fraud detection
    • Decision mining
  3. Big Data Technologies
    • Hadoop and its ecosystem
    • The MapReduce paradigm
    • Big Data analytics using Apache Spark and H2O
    • NoSQL databases
    • Graph databases
  4. Process Analytics
    • Process discovery
    • Event log data
    • Conformance checking
    • Predictive process mining
    • Sequence mining
    • Case studies
  5. Managing Big Data and Analytics Projects and Teams
    • Model deployment
    • Valorization of analytics
    • Analytics and IT integration
    • Data quality and security
    • Data privacy and compliance
    • Ethics and privacy