9 mei 2018
Vraag op een gemiddelde data science afdeling wie er wel eens een online opleiding bij Coursera, EdX of DataCamp heeft gevolgd en het zal je verbazen hoeveel handen er omhoog gaan. Vooral bij de jonge generatie, maar ook bij meer ervaren krachten. Met MOOCs is het mogelijk tegen lage kosten en op een flexibele manier kennis te verbreden en te verdiepen. Echter, de keuze is reuze en daarmee liggen kans op frustrerende ervaringen en teleurstelling achteraf op de loer.
We delen graag onze visie met je, zodat jij kan bepalen of en wanneer een MOOC waardevol voor je is. We geven je drie belangrijke tips voor het selecteren van de beste MOOC. We delen met je hoe leren eigenlijk werkt en we hebben hierin onze eigen ervaringen met MOOCs meegenomen.
Allereerst, wat zijn MOOCs en waar komen ze vandaan? MOOC staat voor Massive Open Online Course en ze bestaan sinds 2011. Deze eerste MOOCs hadden als doel om academische opleidingen voor een breed publiek toegankelijk te maken en werden door honderdduizenden studenten gevolgd. In 2011 is Andrew Ng van Stanford University gestart met het opzetten van het eerste grote MOOC platform: Coursera. Nog steeds is Coursera één van de grootste aanbieders, maar er zijn inmiddels ook vele andere aanbieders als Edx, Udacy, FutureLearn, DataCamp en vele anderen. Class-central.com biedt een mooi overzicht van MOOCs en komt anno 2018 tot meer dan 30 MOOC platformen en maar liefst 9.400 cursussen… and counting…
De populariteit van MOOCs laat zich verklaren door verschillende kenmerken. Allereerst zijn ze makkelijk toegankelijk: de eerste MOOCs waren allemaal gratis. Inmiddels vraagt de meerderheid een vergoeding. De vergoeding varieert van een paar tientjes tot serieuzere bedragen. Er komen ook steeds meer abonnementsvormen waarbij je maandelijks toegang tot alle content van een MOOC platform afkoopt. De populariteit komt ook door andere karakteristieken van MOOCs:
Als we inzoomen op ons vakgebied, data analyse en data science, dan is het aanbod MOOCs inmiddels enorm. Wil je Python of R leren? Je staat al gauw voor een keuze uit een paar honderd (!) alternatieven. Leren om een voorspelmodel of deep neural net te maken? Keuze te over. Welke ga je kiezen? Die je vriend of collega ook volgde? Of die met de meeste cursisten? De variant die in eigen tempo kan of juist die met een strak schema? Die waar je een digitaal certificaat bij ontvangt voor op je C.V. of LinkedIn profiel?
Herken je deze twijfels over het gaan volgen van een MOOC? Of zit je ondanks een fraaie reeks afgeronde MOOCs toch met een onbestemd gevoel? Het maken van de keuze, óf en zo ja welke MOOC je het beste kunt volgen, wordt een stuk makkelijker als je eerst goed scherp stelt wat het allerbelangrijkst voor jou is om te leren.
Om iets meer achtergrond te geven in hoe leren nu eigenlijk werkt, maken we gebruik van de Taxonomie van Bloom. Dit is een van de meest gebruikte manieren om verschillende kennisniveaus in te delen. In deze taxonomie wordt gesteld dat je kunt denken op zes verschillende niveaus. Allereerst heb je de twee niveaus van Onthouden en Begrijpen: hier gaat het erom dat je informatie kunt herhalen en samenvatten. Voor data analyse en data science houdt dit bijvoorbeeld in dat je weet dat er verschillende modelleertechnieken zijn en dat je snapt wat deze technieken doen. Als je dit niveau hebt bereikt, dan kun je informatie gaan Toepassen. Op dit niveau ga je dus daadwerkelijk de modelleertechnieken gebruiken, bijvoorbeeld om tot een voorspelmodel te komen. Deze drie niveaus vallen volgens Bloom’s Taxonomie in de categorie lager order denken.
Daarna kun je aan de slag met de volgende niveaus, namelijk Analyseren en Evalueren. Hier wordt een beroep gedaan op het hoger order denken: je moet kritisch kunnen nadenken, onderzoeken en problemen kunnen signaleren en oplossen. Voor data scientists en data analisten betekent dit het toepassen van geleerde technieken in een andere context. In andere vakgebieden of op andere data, je kunt tegenslagen verwerken. Als je dit allemaal beheerst, dan kun je naar de laatste stap, namelijk zelf Creëren. Je bent in staat ‘from scratch’ een voorspelmodel te ontwikkelen en aan te passen aan de context.
Nu zou je kunnen denken ‘OK, dan ga ik beginnen met creëren en dan beheers ik alles meteen goed’. Nou nee, om goed te kunnen leren, moet je de lagere denkniveaus goed beheersen. Je kunt niet zomaar gaan beginnen aan Deep Neural Networks in Python als je niet begrijpt wat neurale netwerken zijn en ook Python niet kent.
Op basis van onze ervaringen met diverse MOOCs, MOOCplatforms en met behulp van de taxonomie van Bloom, komen we tot de drie belangrijkste tips voor de beginnende MOOCer.
1. Stel scherp wat je belangrijkste leerdoel is en je al weet
Het klinkt logisch, maar – ondersteund vanuit de taxonomie van Bloom – het is belangrijk te bepalen waar je staat ten aanzien van je kennis over een onderwerp, voordat je aan een MOOC begint. De introfilmpjes zijn vaak enthousiasmerend, maar voor je het weet stort je je in een MOOC die helemaal niet aansluit bij wat je wilt leren. We noemde de Deep Neural Networks in Python al. Razend boeiend, maar een onverstandige ‘instap-MOOC’ als zowel neurale netwerken als Python nog onontgonnen gebied voor je zijn.
Bedenk goed wat je als eerste wilt leren: Python onder de knie krijgen? Begin dan met een introductie in Python om onderdelen als numpy, pandas en matplotlib onder de knie te krijgen. Gaat het je met name om het snappen van neurale netwerken? Kies dan voor een MOOC die vooral de theorie erachter goed uitlegt en aansluit op jouw achtergrondkennis. Heb je jouw leerdoel scherp voor ogen? Dan kan je een eerste longlist opstellen van MOOCs door te zoeken op Google of op MOOC-sites als class-central.com.
2. Bedenk wat jou op koers houdt
Een MOOC zal je een aantal weken tot een paar maanden kosten. Tijdens de MOOC reis zijn er altijd onverwachte zaken die tijd opslokken. De tijd die je aan je MOOC wilde besteden. Hoe zorg je dat je niet halverwege afhaakt, maar de finish haalt? MOOC platforms en MOOCs verschillen sterk in hoe je wordt gestimuleerd om op koers te blijven. Niet elke aanpak werkt voor jou. Bij de een werkt een stok achter de deur goed, bij de ander werkt iets in het vooruitzicht stellen beter. Bedenk daarom voor je aan een MOOC begint, welke vorm voor jou werkt en welke zeker niet. Neem deze checklist mee als je je longlist van opleidingen evalueert:
3. Kies zorgvuldig en plan!
Omdat MOOCs weinig startbarrières opwerpen, lijkt het – ten onrechte! – niet zo heel belangrijk voor welke MOOC je kiest. En ook op het juiste moment met de MOOC beginnen is niet belangrijk, want je kan toch zo weer opnieuw beginnen? Maar dat valt tegen, want je investeert namelijk met je (vrije) tijd! (lees ook dit artikel waarom het problematisch kan zijn) Daarom, voor je aan die zorgvuldig uitgekozen MOOC begint, check:
Tot slot een belangrijke tip voor als je dadelijk, na weken zwoegen en ploeteren door video’s, quizzen en opdrachten de finish van de MOOC hebt gehaald. Na het succesvol afronden van je eerste MOOC kan je wel eens zomaar in een MOOC flow terecht komen. Je kijkt met voldoening terug op de MOOC en dat gevoel wil je vast houden! Welke MOOC zal ik nu gaan volgen?
Je enthousiasme en gevoel van trots zijn natuurlijk volledig terecht: je hebt het maar mooi even gedaan. Bovendien heb je een hoop nieuwe kennis vergaard die je hebt begrepen, grotendeels onthouden en ook nog hebt toegepast. Maar als we even terug gaan naar Bloom: je bent pas net met leren begonnen! Je bent toch vooral nog bezig geweest met lager orde denken. Om tot hoger orde denken te komen, zal je het geleerde in nieuwe contexten moeten gaan toepassen. Dat kan je doen door in je dagelijkse praktijk – op je werk, in je studie, in je avonduren – toe te passen wat je leerde. Als je een nieuwe analysetechniek of programmeertaal hebt geleerd, ga dan op zoek naar kansen om het geleerde in praktijk te brengen.
Mag ik dan geen nieuwe MOOC meer volgen voorlopig? Niet getreurd, MOOCs kunnen wel degelijk een rol spelen in het verdiepen van je kennis, maar dan wel alleen als de MOOC goed aansluit op de vorige. Kijk goed naar aanbevolen vervolg-MOOCs en check of ze verdiepen in de voor jou relevante richting. Sommige MOOC platforms helpen je hierbij, door een reeks MOOCs samen in één programma te stoppen en je zodoende stap voor stap dieper te introduceren in een vakgebied. Mooi voorbeeld is de Data Science Specialization van John Hopkins University op Coursera. In 10 opeenvolgende MOOCs krijg je verschillende componenten van het data analyse vak uitgelegd. Je gaat ermee oefenen en in de volgende MOOCS bouw je erop voort. Zo word je, juist door de kennis uit de ene MOOC in de andere toe te passen, snel echt bekwaam in wat je wilt leren!
Happy MOOC’in!
Hoe je MOOC’s inzet voor een data science cultuur in je organisatie
Wil je meer weten over dit onderwerp? Neem dan contact op met Jurriaan Nagelkerke via onderstaande contactgegevens.
17 april 2023
In elk bedrijf is het een uitdaging om ervoor te zorgen dat we alleen de documenten... lees meer
16 januari 2023
Culture eats data strategy for breakfast Bedrijven die erkennen dat ze met de inzet van data... lees meer
20 december 2022
20 jaar Cmotions is ook 20 jaar vakgeschiedenis en -ontwikkeling. Dit geeft waardevolle inzichten voor de... lees meer