Wat Firstdoct drijft
Machine learning in financiële nieuwsverwerking is geen abstract onderwerp meer - het bepaalt mee hoe markten worden geanalyseerd en hoe beslissingen worden onderbouwd.
Firstdoct ontstond vanuit een concrete vaststelling: er was geen gestructureerd leerpad voor mensen die dit domein serieus willen aanpakken. Niet voor beginners, niet voor professionals die willen bijscholen. De opleidingen die bestonden, gingen te snel over de technische details heen of negeerden de financiële context volledig.
We bouwen cursussen die beide kanten verbinden. Deelnemers leren hoe taalmodellen nieuwsteksten verwerken, hoe sentimentanalyse werkt op persberichten en analistennota's, en waar de grenzen van die technieken liggen. Dat vraagt eerlijkheid over wat modellen wel en niet kunnen.
De mensen achter de cursussen
Elk lid van ons team werkt actief in het vakgebied. Ze schrijven cursusmateriaal vanuit eigen onderzoek en praktijkervaring, niet vanuit leerboeken alleen.
Elke Vanderbroeck
Hoofddocent Machine Learning
Elke werkte vier jaar als datawetenschapper bij een Brusselse vermogensbeheerder voor ze zich volledig op onderwijs richtte. Ze ontwerpt de kernmodules over tekstclassificatie en modelvalidatie.
Pieter Goossens
Onderzoeksleider Financiële NLP
Pieter publiceert over sentimentextractie uit persberichtteksten en analistenrapporten. Zijn focus ligt op hoe taalmodellen omgaan met vakjargon dat in standaard datasets ondervertegenwoordigd is.
Nathalie Corthout
Curriculum en kwaliteitsbeheer
Nathalie bewaakt de pedagogische structuur van elk leerpad. Ze test elke module met een groep pilootdeelnemers en past de volgorde aan op basis van waar mensen echt vastlopen.
Hoe we cursussen samenstellen
-
1
Onderzoek voor structuur
Elk onderwerp begint met een inventarisatie van wat deelnemers al weten en waar de gaten zitten. We interviewen mensen uit de sector en kijken naar veelgemaakte fouten in openbare coderepositories.
-
2
Echte datasets, geen speelgoeddata
Oefeningen werken met geanonimiseerde persberichten en nieuwsfragmenten uit financiële media. Deelnemers zien meteen hoe rommelig echte tekst is vergeleken met opgeschoonde voorbeeldsets.
-
3
Iteratief bijsturen na elke cohort
Na elke groep deelnemers bekijken we waar mensen extra vragen stelden of afhaalden. Die feedback gaat direct terug naar de auteurs, niet naar een aparte redactie.
Ik had al twee andere ML-cursussen gevolgd, maar geen enkele legde uit waarom sentimentmodellen zo slecht presteren op winstwaarschuwingen. Bij Firstdoct was dat de eerste les van de tweede week.
- Sofie Maes, analist bij een Antwerps family office - lees meer op onze succesverhalen