Leerpad
AI-basisprincipes
10 Hr
AI-geletterdheid is niet langer optioneel. Volgens ons State of Data & AI Literacy Report 2026 vindt 69% van de leidinggevenden AI-geletterdheid belangrijk voor de dagelijkse taken van hun teams. Het probleem is dat "AI leren" zo breed is dat het lastig te bevatten is. Waar begin je eigenlijk?
Deze gids is voor iedereen die helemaal nieuw is met AI en een duidelijk, gestructureerd leerpad wil in plaats van een willekeurige stapel links. Wil je dieper duiken, bekijk dan onze volledige gids 'How to Learn AI'.
Of je nu van carrière wilt switchen, als businessprofessional wilt opschalen, of iemand bent die dit al twee jaar wil leren maar het steeds uitstelt: de onderstaande resources zijn gekozen om je van nul naar echte practitioner te brengen. Dat betekent: de theorie (machine learning, deep learning, neurale netwerken), de randvoorwaarden (Python, statistiek, wiskunde) en de moderne applicatielaag (LLM’s, prompt engineering, RAG, fine-tuning, agentische AI).
Ik heb ze in een globale volgorde gezet. Je hoeft die niet rigide te volgen, maar als je helemaal vanaf nul begint, bespaart werken in deze volgorde je veel verwarring. Elk item vermeldt wat je leert, hoe lang het duurt en voor wie het het meest geschikt is. Als je totaal nieuw bent, is het beste startpunt onze nieuwe AI-native Introduction to AI for Work-cursus, waarin je je eigen AI-tutor krijgt die de cursus afstemt op jouw leerstijl en behoeften.
AI-roadmap: TL;DR
Wil je van absolute beginner naar het bouwen van autonome AI-agents? Dit is het pad op hoofdlijnen (uitgaand van ongeveer 10 uur studie per week):
- Maanden 1-3: Fundamenten. Begrijp de kernconcepten van AI, ethiek en basiswiskunde, leer daarna Python en datamanipulatie (pandas).
- Maanden 4-6: Kern van machine learning. Koppel statistiek aan Python en beheers klassieke ML-modellen (regressie, classificatie) met scikit-learn.
- Maanden 7-9: Deep learning & LLM’s. Duik in neurale netwerken en Transformers met PyTorch, en leer vervolgens modellen programmatisch integreren en prompten via de OpenAI API en Hugging Face.
- Maanden 10+: AI-engineering & agents. Ga voorbij statische modellen en bouw productierijpe systemen met RAG, LangChain en autonome agents (MCP, Claude Code, Gemini CLI).
Voorgestelde AI-leerroute
Zo zou ik een leerplan op basis van onze resources opbouwen als je bij AI vanaf nul begint. De tijdsinschattingen zijn bij benadering en gaan uit van ongeveer 10 uur studie per week.
Fase 1: Fundamenten (maanden 1-3)
Begin met Introduction to AI for Work, de AI Fundamentals-skilltrack en AI Ethics om je conceptuele vocabulaire en governancekader op te bouwen. Hiervoor is geen coderen nodig en ze geven je het mentale model dat je nodig hebt voor alles wat volgt. Doe deze parallel met Introduction to Statistics en de tutorial Demystifying Mathematical Concepts for Deep Learning.
Heb je de theorie eenmaal te pakken, ga dan door met Python. Werk de Python Data Structures-tutorial door, dan de Python Programming-skilltrack, en vervolgens de Data Manipulation in Python-skilltrack. Aan het eind van maand drie zou je je comfortabel moeten voelen met Python schrijven, DataFrames bewerken met pandas en begrijpen wat een kansverdeling is — allemaal cruciaal om AI dieper te begrijpen.
Fase 2: Kern-ML en data science (maanden 4-6)
Hier begint het echte werk. Volg Foundations of Probability in Python om je statistische kennis aan code te koppelen, en start daarna de Associate Data Scientist in Python-careertrack. Je hoeft niet alle 90 uur in deze fase af te ronden, maar werk de onderdelen over datamanipulatie, visualisatie en supervised learning door. De scikit-learn-cursussen zijn hierbij essentieel.
Werk hiernaast de Machine Learning Fundamentals in Python-skilltrack door. De cursussen over supervised en unsupervised learning overlappen met de careertrack, waardoor je dezelfde concepten vanuit twee invalshoeken versterkt. Tegen maand zes zou je in staat moeten zijn een classificatie- of regressiemodel te trainen, evalueren en tunen.
Fase 3: Deep learning en moderne LLM’s (maanden 7-9)
Ga nu door naar de Deep Learning in Python-skilltrack. Werk deze op volgorde door: PyTorch-basis, CNN’s, RNN’s en daarna de Transformer Models-cursus. De Transformer-cursus vormt de brug tussen klassiek deep learning en moderne LLM’s.
Als je begrijpt wat er onder de motorkap gebeurt, kun je effectief met deze modellen communiceren. Ben je vooral geïnteresseerd in bouwen met AI in plaats van modellen vanaf nul trainen, dan kun je de deep learning-wiskunde overslaan en LLM’s als krachtige utility behandelen. Begin met leren hoe je er het maximale uithaalt via Prompt Engineering with the OpenAI API en Working with Hugging Face. Maak daarna de sprong van webinterfaces naar echte software met Developing AI Systems with the OpenAI API.
Fase 4: AI-engineering en agents (maand 10 en verder)
In deze fase bouw je complexe, productierijpe AI-systemen. Begin met Retrieval-Augmented Generation (RAG) with LangChain, zodat je LLM’s aan je private data kunt koppelen.
Ga van daaruit van passieve generatie naar actieve uitvoering van taken met de AI Agent Fundamentals-skilltrack en de tutorial Introduction to the Model Context Protocol (MCP). Pas deze moderne workflows tenslotte toe op je lokale ontwikkeling met de tutorials Claude Code en Building with Gemini 3.1 Pro: Coding Agent.
De beste resources voor de AI-leerroute
Deze resources zijn geordend in een logische leervolgorde, van conceptuele basis tot hands-on modelbouw en moderne LLM-toepassingen. Heb je al Python-ervaring, sla dan vooral vooruit.
1. Introduction to AI for Work
Als je geen developer bent en vooral wilt begrijpen wat AI is en hoe je het op een verantwoorde manier op je werk gebruikt, begin dan hier. Deze cursus van 2-3 uur behandelt wat large language models zijn, hoe generatieve AI werkt en hoe je effectieve prompts schrijft met een raamwerk van vier componenten rond vraag, vereisten, context en voorbeelden.
Wat ik het leukste vind aan deze cursus (en wat hem onderscheidt van andere AI-intro’s) is dat hij gebruikmaakt van DataCamp’s nieuwe AI-native leerervaring. Je krijgt niet alleen statische video’s met oefeningen erna; het platform fungeert als een 1-op-1 AI-tutor. Het genereert dynamisch lessen, voorbeelden en oefeningen die zijn afgestemd op jouw functie, doelen en voorkennis.
Ben je bijvoorbeeld marketeer, dan sluiten je voorbeelden aan op marketingworkflows. De cursus past zich ook aan je tempo aan, wat betekent dat de gebruikelijke 2-3 uur kan variëren afhankelijk van hoe snel je de stof oppakt.
Naast de gepersonaliseerde ervaring waardeer ik het praktische kader. Je leert welke van vier AI-capaciteiten (Execution, Thought Partnership, Refinement en Continuous Learning) bij een taak past. Ook behandelt de cursus AI-beperkingen, hallucinaties en verantwoord gebruik — onderwerpen die in beginnerscontent vaak worden overgeslagen.
- Niveau: Beginner
- Vorm: Cursus, 2-3 uur
- Voor wie: Businessprofessionals, marketeers, analisten of iedereen die AI-tools effectiever wil gebruiken zonder te coderen
2. AI Fundamentals-skilltrack
Deze 10-uur durende track is de conceptuele ruggengraat van elke AI-leerreis. Hij omvat zes cursussen: Introduction to AI for Work, Understanding ChatGPT, Understanding Machine Learning, Large Language Models Concepts, Generative AI Concepts en AI Ethics. Coderen is niet nodig.
De track geeft je een werkvocabulaire voor het hele AI-landschap, van hoe ML-algoritmen patronen leren tot hoe LLM’s zoals ChatGPT worden getraind en ingezet. Neem de AI Ethics-cursus aan het einde serieus en skim hem niet alleen. Het afronden van de track bereidt je ook voor op de AI Fundamentals-certificering.
- Niveau: Beginner
- Vorm: Skilltrack, 10 uur, 6 cursussen
- Voor wie: Iedereen die een stevige conceptuele basis wil vóór de eerste regel code
3. Introduction to Statistics
Statistiek is de taal die AI spreekt. Voor je kunt begrijpen waarom een model voorspellingen doet, moet je kansverdelingen, hypothesetoetsing en spreidingsmaten snappen. Deze cursus van 4 uur behandelt dat allemaal met real-world datasets, waaronder criminaliteitsdata uit Londen en online retailverkopen.
De cursus heeft meer dan 8.000 reviews en een 4,8-score, wat ongewoon hoog is voor statistiek. Hij behandelt samenvattende statistieken, kansrekening, de normale verdeling, de centrale limietstelling en correlatie, allemaal zonder te hoeven coderen. Zie het als de theoretische basis die de rest doet klikken.
- Niveau: Beginner
- Vorm: Cursus, 4 uur, 56 oefeningen
- Voor wie: Iedereen die statistiek op school heeft gemist of een opfrisser wil voordat hij in machine learning duikt
4. Demystifying Mathematical Concepts for Deep Learning
Deze tutorial beantwoordt het directe vraagstuk: "hoeveel wiskunde heb ik eigenlijk nodig?" Hij behandelt scalars, vectors, matrices, tensors, eigenwaarden, singular value decomposition, gradient descent en entropie, allemaal met Python-code via NumPy en SciPy. Het is geen volledige lineaire-algebracursus, maar geeft je genoeg om te begrijpen wat er in een neuraal netwerk gebeurt.
Alleen al gradient descent is de moeite waard. De tutorial legt alle drie de varianten uit (full batch, stochastic en mini-batch) en laat zien hoe ze worden gebruikt om neurale netwerken te trainen. Als je je ooit hebt afgevraagd waarom het trainen van een model neerkomt op het "minimaliseren van een lossfunctie", dan wordt dat hier concreet.
- Niveau: Beginner tot gemiddeld
- Vorm: Tutorial, circa 15 minuten leestijd
- Voor wie: Lerenden die de wiskunde achter deep learning willen begrijpen zonder een volledige lineaire-algebracursus te volgen
Demystifying Mathematical Concepts for Deep Learning
5. Foundations of Probability in Python
Deze cursus van 5 uur pakt de draad op waar de statistiekcursus stopte, nu met Python-code bij de kansconcepten. Hij behandelt Bernoulli-proeven, binomiale verdelingen, normale verdelingen, Poisson-verdelingen, de wet van de grote aantallen en de centrale limietstelling, en koppelt dat vervolgens aan lineaire en logistische regressie.
Het laatste hoofdstuk is het nuttigst voor ML-practitioners. Het laat zien hoe de centrale limietstelling verklaart waarom steekproefgemiddelden naar populatiegemiddelden convergeren — de theoretische basis voor waarom trainen op grote datasets werkt. De cursus gebruikt overal scipy, dezelfde library die je in de meeste ML-codebases tegenkomt.
- Niveau: Gemiddeld
- Vorm: Cursus, 5 uur, 61 oefeningen
- Voor wie: Lerenden die Introduction to Statistics hebben afgerond en kansconcepten in Python willen toepassen
Foundations of Probability in Python
6. Python Programming-skilltrack
Python is de dominante taal in AI, en deze 19-uur durende track tilt je voorbij de basis naar code die daadwerkelijk in productie wordt gebruikt. Onderwerpen: contextmanagers, decorators, efficiënte code schrijven, software-engineeringprincipes, geautomatiseerd testen met pytest en objectgeoriënteerd programmeren.
De track gebruikt pakketten zoals pandas, NumPy, setuptools, pytest en pycodestyle. Kom je uit data-analyse en is je Python functioneel maar rommelig, dan is dit de track die dat opschoont. Testbare, modulaire code schrijven is essentieel zodra je ML-pijplijnen gaat bouwen.
- Niveau: Beginner tot gemiddeld
- Vorm: Skilltrack, 19 uur, 4 cursussen
- Voor wie: Lerenden die basis-Python kennen en onderhoudbare, productierijpe code willen schrijven
7. Python Data Structures-tutorial
Een korte maar essentiële leeswijzer over elke datastructuur die je in AI-werk tegenkomt: integers, floats, strings, booleans, arrays, lijsten, tuples, dictionaries, sets, stacks, queues, grafen en bomen. De tutorial bevat werkende Python-code voor elke structuur en legt uit wanneer je welke gebruikt.
Het gedeelte over NumPy-arrays is extra relevant. Het legt uit waarom NumPy-arrays sneller zijn dan Python-lijsten voor grote datasets, hoe gevectoriseerde operaties werken en hoe je multidimensionale arrays maakt. Die kennis betaalt zich direct uit zodra je met ML-libraries gaat werken.
- Niveau: Beginner
- Vorm: Tutorial, circa 15 minuten leestijd
- Voor wie: Beginners die een heldere referentie voor Python-datastructuren willen vóórdat ze met datamanipulatie starten
Python Data Structures-tutorial
8. Data Manipulation in Python-skilltrack
Voor je een model kunt trainen, moet je data kunnen opschonen, hervormen en analyseren. Deze 16-uur durende track behandelt pandas en NumPy diepgaand, met real-world datasets zoals de bomeninventaris van New York City, klantkoopdata en aandelenkoersen. Hij bevat vier cursussen: Data Manipulation with pandas, Reshaping Data with pandas, Joining Data with pandas en Introduction to NumPy.
De pandas-skills hier zijn echt fundamenteel. DataFrames filteren, datasets mergen, missende waarden afhandelen en van wide naar long reshapen zijn taken die je voortdurend doet in elk ML-project. De NumPy-cursus voegt array-operaties toe die direct aansluiten op scikit-learn- en PyTorch-workflows.
- Niveau: Beginner
- Vorm: Skilltrack, 16 uur, 4 cursussen
- Voor wie: Iedereen die data moet voorbereiden voor machinelearningmodellen
Data Manipulation in Python-skilltrack
9. Associate Data Scientist in Python-careertrack
Dit is de meest complete enkele resource op de lijst. Met 90 uur over 23 cursussen behandelt hij de volledige data science-workflow in Python: datamanipulatie, visualisatie met Matplotlib en Seaborn, statistische hypothesetoetsing, regressie met statsmodels, supervised learning met scikit-learn, unsupervised learning en boomgebaseerde modellen. Er zijn ook 10 real-world projecten.
De track bereidt je voor op de Associate Data Scientist-certificering. Het nuttigst vind ik het projectwerk. Projecten als "Predictive Modeling for Agriculture" en "Clustering Antarctic Penguin Species" leveren portfolio-items op die laten zien dat je ML op echte problemen kunt toepassen, niet alleen oefeningen afronden.
- Niveau: Beginner tot gemiddeld
- Vorm: Careertrack, 90 uur, 23 cursussen, 10 projecten
- Voor wie: Lerenden die een gestructureerd end-to-end pad willen naar het werk als data scientist
Associate Data Scientist in Python-careertrack
10. Machine Learning Fundamentals in Python-skilltrack
Deze 16-uur durende track behandelt de vier hoofdbranches van ML: supervised learning met scikit-learn, unsupervised learning met scikit-learn en scipy, deep learning met PyTorch en reinforcement learning met de Gymnasium-bibliotheek in Python. Het is de meest directe route om te begrijpen hoe ML-modellen echt werken.
Het PyTorch-gedeelte is waar het interessant wordt. Je bouwt je eerste neurale netwerk vanaf nul, leert backpropagation en gradient descent in code, en past deep learning toe op beeldclassificatie en sentimentanalyse. De cursus over reinforcement learning aan het einde behandelt Q-learning en policy gradients — de fundamenten van moderne AI-agents.
- Niveau: Gemiddeld
- Vorm: Skilltrack, 16 uur, 4 cursussen
- Voor wie: Lerenden met een basis in Python en statistiek die echte ML-modellen willen bouwen
Machine Learning Fundamentals in Python-skilltrack
11. Deep Learning in Python-skilltrack
Deze 18-uur durende track gaat dieper in op neurale netwerkarchitecturen met PyTorch. Onderwerpen: CNN’s voor beeldclassificatie, RNN’s en LSTM’s voor sequentiële data, objectdetectie, beeldsegmentatie en tekstgeneratie. De laatste cursus over Transformer Models met PyTorch verbindt alles met moderne LLM’s zoals ChatGPT.
De Transformercursus is het benadrukken waard. Hij legt uit hoe het attention-mechanisme werkt, waarom transformers RNN’s voor de meeste NLP-taken vervingen en hoe de architectuur GPT-achtige modellen ondersteunt. Wil je begrijpen waarom LLM’s zich gedragen zoals ze doen, dan komt dat begrip hier vandaan.
- Niveau: Gemiddeld tot gevorderd
- Vorm: Skilltrack, 18 uur, 5 cursussen
- Voor wie: Lerenden die de ML Fundamentals-track hebben afgerond en willen specialiseren in deep learning
Deep Learning in Python-skilltrack
12. Prompt Engineering with the OpenAI API
Als je conceptueel begrijpt hoe LLM’s werken, leert deze cursus van 4 uur je hoe je betrouwbare outputs krijgt. Onderwerpen: zero-shot, one-shot en few-shot prompting, chain-of-thought reasoning, self-consistency prompting, multi-step prompting en iteratieve verfijning. Alle oefeningen gebruiken de OpenAI API in Python.
Het hoofdstuk over bedrijfsapplicaties is het meest praktisch. Het behandelt tekstsamenvatting, toonaanpassing voor e-mailmarketing, routering van klantenservice-tickets en codegeneratie met meerstapsprompts. Dit zijn taken die voortdurend terugkomen in echte workflows, en de cursus laat zien hoe je prompts ontwerpt die consistente, gestructureerde outputs opleveren.
- Niveau: Beginner
- Vorm: Cursus, 4 uur, 55 oefeningen
- Voor wie: Developers en dataprofessionals die betrouwbare LLM-gedreven applicaties willen bouwen
Prompt Engineering with the OpenAI API
13. Working with Hugging Face
Hugging Face is waar het meeste open-source AI-werk gebeurt, en deze cursus van 2 uur leert je hoe je erdoorheen navigeert. Je laadt voorgetrainde modellen van de Hub, downloadt en bewerkt datasets, bouwt tekstclassificatiepipelines, vat lange documenten samen en gebruikt AutoModel- en AutoTokenizer-klassen voor aangepaste NLP-taken.
De cursus behandelt ook het verschil tussen lokaal inference draaien en via Hugging Face inference-providers — een praktische keuze die je bij elk project tegenkomt. Met meer dan 28.000 lerenden en een 4,8-score is het om goede reden een van de populairdere cursussen in de AI-catalogus.
- Niveau: Beginner
- Vorm: Cursus, 2 uur, 26 oefeningen
- Voor wie: Lerenden die open-sourcemodellen voor NLP willen gebruiken zonder alles vanaf nul te bouwen
14. AI Agent Fundamentals-skilltrack
Als RAG AI een geheugen geeft, dan geven agents het handen. Deze track verschuift de benadering van AI als passieve beantwoorder naar AI als actieve werker. Je verkent de architectuur van autonome agents en leert LLM’s te combineren met toolgebruik, meerstapsredeneren en externe API’s om complexe workflows uit te voeren.
De evolutie van statische pijplijnen naar agentische systemen is waar de industrie nu heengaat. Deze track biedt de conceptuele en praktische basis om systemen te bouwen die niet alleen vragen beantwoorden, maar daadwerkelijk zelfstandig taken afronden.
- Niveau: Gevorderd
- Vorm: Skilltrack, circa 12 uur
- Voor wie: Gevorderde lerenden die verder willen gaan dan conversational AI en autonome, actiegerichte systemen willen bouwen
AI Agent Fundamentals-skilltrack
15. AI Ethics
Nu AI steeds meer in business en software wordt geïntegreerd, is begrijpen hoe je het verantwoordelijk inzet niet langer optioneel. Deze cursus behandelt de kernprincipes van AI-ethiek, zoals eerlijkheid, transparantie, verantwoordelijkheid en privacy, en geeft praktische strategieën om bias in je datasets te identificeren en te beperken.
Deze cursus is relevant voor veel verschillende doelgroepen, dankzij de focus op praktische governance in plaats van alleen abstracte filosofie. Je leert hoe je een ethisch kader opstelt en onderzoekt praktijkcases van misgelopen AI-implementaties, zodat je het vertrouwen van gebruikers kunt opbouwen en modellen verantwoord kunt inzetten vóórdat je complexe systemen gaat bouwen.
- Niveau: Beginner
- Vorm: Cursus, 2 uur
- Voor wie: Iedereen die AI-systemen bouwt, inzet of beheert en zeker wil zijn dat ze eerlijke en conforme tools creëren
16. Developing AI Systems with the OpenAI API
Verder dan simpele webinterfaces: deze cursus leert je hoe je de modellen van OpenAI programmatisch integreert in je eigen applicaties. Je leert authenticeren, API-calls doen, responses afhandelen en tokenlimieten beheren met Python — de brug tussen modeltheorie en echte softwareontwikkeling.
De overgang van prompten in een chatvenster naar het orkestreren van API-calls in code is een enorme sprong in capaciteit. Deze cursus geeft je het architectuurbesef van hoe productie-AI-systemen daadwerkelijk gebouwd worden, en is daarmee een essentiële tussenstap vóór je complexere dataretrieval-frameworks aansnijdt.
- Niveau: Gemiddeld
- Vorm: Cursus, 4 uur
- Voor wie: Developers die willen overstappen van AI-chattools gebruiken naar het bouwen van eigen AI-gedreven software
Developing AI Systems with the OpenAI API
17. Retrieval-Augmented Generation (RAG) with LangChain
Large Language Models zijn krachtig, maar ze kennen je propriëtaire data niet. Deze cursus introduceert Retrieval-Augmented Generation (RAG), de industriestandaardarchitectuur om AI-antwoorden te baseren op externe documenten. Je leert data chunken, vector-embeddings maken en LangChain gebruiken om de informatiestroom van je database naar de LLM te orkestreren.
Wat ik hier prettig aan vind, is hoe grondig het de "magie" van enterprise-AI ontrafelt. Door data-engines en indexeringspijplijnen te bouwen, zie je precies hoe applicaties zoals klantenservice-chatbots de juiste context ophalen om hallucinaties te voorkomen.
- Niveau: Gemiddeld tot gevorderd
- Vorm: Cursus, 4 uur
- Voor wie: Developers die AI-applicaties willen bouwen die veilig private of domeinspecifieke data bevragen en erover redeneren
Retrieval-Augmented Generation (RAG) with LangChain
18. Introduction to the Model Context Protocol (MCP)
Vaak omschreven als de "USB-C voor AI": het Model Context Protocol is een open-sourcestandaard om AI-modellen te verbinden met externe databronnen en tools. Deze tutorial loodst je door de architectuur van MCP en hoe je zowel beheerde als custom servers uitrolt, zodat je AI-agents databases zoals BigQuery kunnen bevragen of met Google Maps kunnen interageren zonder voor elke nieuwe tool een custom adapter te schrijven.
De standaardisatie die MCP brengt, is een gamechanger voor agentische AI. In plaats van maatwerkintegraties te bouwen, leer je een databron één keer als MCP-server te implementeren en die naadloos te gebruiken in elke compatibele AI-client. Dat verlaagt de ontwikkelfrictie drastisch.
- Niveau: Gemiddeld tot gevorderd
- Vorm: Tutorial, circa 15 minuten leestijd
- Voor wie: AI-developers en systeemarchitecten die willen standaardiseren hoe hun agents verbinden met enterprisedata en externe services
Introduction to the Model Context Protocol (MCP)
19. Claude Code-tutorial
Deze tutorial brengt AI-assistentie rechtstreeks naar je terminal, met focus op de CLI van Claude Code van Anthropic. Je leert de omgeving in te richten, te koppelen aan GitHub en een Explore-Plan-Execute-workflow te implementeren voor veilige refactoring over meerdere bestanden.
Het hoogtepunt hier is "Plan Mode". In plaats van de AI vrijuit ongecontroleerde edits in je codebase te laten doen, dwingt deze read-only fase het model eerst een te beoordelen markdownplan te genereren. Het is een masterclass in het aanbrengen van vangrails bij AI-coderen en pakt het probleem van oplopende fouten aan dat typische AI-codegeneratie teistert.
- Niveau: Gemiddeld
- Vorm: Tutorial, circa 15 minuten leestijd
- Voor wie: Software-engineers die AI diep in hun lokale ontwikkel- en refactorworkflows willen integreren
20. Building with Gemini 3.1 Pro: Coding Agent-tutorial
Hier komt alles samen in een moderne ontwikkelworkflow. Deze tutorial leert je hoe je de Gemini CLI, aangedreven door het state-of-the-art Gemini 3.1 Pro-model, gebruikt om vanaf nul een productierijpe Next.js-applicatie te bouwen. Je behandelt alles van initiële architectuurprompts tot het creëren van custom skills, het beheren van persistente memory en deployen naar Vercel.
Wat opvalt is het uitgesproken praktische karakter. Je schrijft geen speeltuinscripts, maar gebruikt een geavanceerde, agentische workflow om database-migraties, authenticatie en unittests af te handelen. Het is de ultieme demonstratie van hoe een developer als technisch directeur kan optreden terwijl een AI-agent het zware werk doet.
- Niveau: Gevorderd
- Vorm: Tutorial, circa 20 minuten leestijd
- Voor wie: Developers die AI-gedreven development willen beheersen door full-stack applicaties te bouwen met state-of-the-art modellen
Building with Gemini 3.1 Pro: Coding Agent-tutorial
Hoe kies je de juiste AI-resource om te starten
De bovenstaande lijst is geordend voor een complete beginner die AI grondig wil begrijpen, maar niet iedereen start op hetzelfde punt. Hier is een snellere keuzegids.
- Als je geen codeerervaring hebt: Begin met Introduction to AI for Work, AI Ethics en de AI Fundamentals-skilltrack. Raak Python nog niet aan.
- Als je Python kent maar geen statistiek: Ga direct naar Introduction to Statistics, gevolgd door Foundations of Probability in Python.
- Als je Python en statistiek kent: Sla door naar de Machine Learning Fundamentals in Python-skilltrack en de Associate Data Scientist in Python-careertrack.
- Als je software met LLM’s wilt bouwen: Volg Developing AI Systems with the OpenAI API, direct gevolgd door Retrieval-Augmented Generation (RAG) with LangChain.
- Als je autonome systemen wilt bouwen: De AI Agent Fundamentals-skilltrack en de tutorial Introduction to the Model Context Protocol (MCP) zijn je volgende stappen.
- Als je software engineer bent en lokale ontwikkeling wilt versnellen: Lees de tutorials Claude Code en Building with Gemini 3.1 Pro: Coding Agent om te zien hoe AI in de CLI en full-stackworkflows integreert.
- Als je wilt begrijpen hoe LLM’s intern werken: Je hebt de Deep Learning in Python-skilltrack nodig, specifiek de Transformercursus.
- Als je businessprofessional bent en gewoon AI-tools wilt gebruiken: Introduction to AI for Work is de enige cursus die je strikt nodig hebt.
Slotgedachten
Voor de meesten die vanaf nul beginnen, is het eerlijke advies: start met de AI Fundamentals-skilltrack en Introduction to Statistics, doe ze parallel en sla de wiskunde niet over. De verleiding is groot om meteen RAG-applicaties of AI-agents te bouwen — dat kan — maar je loopt al snel tegen een plafond als je niet begrijpt wat eronder gebeurt.
Eén kanttekening: deze lijst focust op DataCamp-resources, wat betekent dat de weging richting gestructureerd, interactief leren gaat in plaats van researchpapers lezen of open-sourceprojecten bouwen. Beide zijn belangrijk voor een lange AI-carrière, maar minder geschikt als startpunt. De resources hier geven je de basis om met dat bredere ecosysteem aan de slag te gaan.
Wil je één plek om te beginnen die het conceptuele landschap dekt zonder te overweldigen, dan raad ik de AI Fundamentals-skilltrack aan. Het is 10 uur, vereist geen coderen, en aan het eind heb je een helder beeld van je volgende stap.
