[!NOTE]
Dit model is oorspronkelijk ontwikkeld door Radboud Universiteit en vervolgens samen met CEDA open source gemaakt zodat andere instellingen er ook van kunnen profiteren. Lees meer in het VOX-artikel.
[!TIP]
Zie het in actie: bekijk een voorbeeld-dashboard en een uitgewerkte prognose op de documentatiesite — van vooraanmelders op een peilmoment naar het verwachte aantal inschrijvingen, met demodata.
▶︎ De optionele grafische interface — zet een project op, stel je configuratie in en draai je eerste prognose, zonder één regel terminal.
Zo start je de interface hierboven (vanuit een clone van deze repository):
uv run --extra gui python -m gui
Open daarna http://localhost:8080 in je browser. Zie Grafische interface voor de volledige uitleg — of gebruik de CLI hieronder.
📦 Aan de slag
Vereisten: Python 3.12
Installeer met uv:
uv tool install studentprognose
Heb je uv nog niet? Eenmalig installeren met curl -LsSf https://astral.sh/uv/install.sh | sh (macOS/Linux) of powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex" (Windows). Voor pip-instructies, zie de documentatie.
Na installatie:
studentprognose init # mapstructuur aanmaken + demodata downloaden (optioneel)
studentprognose -d c -y 2024 # eerste prognose op demodata
init vraagt of je demodata wilt downloaden (6 MB, beide sporen) zodat je direct kunt starten. Kies n als je meteen je eigen data wilt gebruiken.
Voor geautomatiseerde runs (cron, taakplanner) — sla de interactieve prompt over:
studentprognose -w 6 -y 2024 --yes
[!NOTE]
Heb je afwijkende kolomnamen in je Studielink-export? Voeg een "columns"-blok toe aan configuration/configuration.json. Zie Configuratie voor uitleg en voorbeelden.
Zie de documentatie voor een complete walkthrough met uitleg over Python-installatie, data klaarzetten en veelvoorkomende fouten.
Waarom dit model?
Dit model is gebouwd voor data-analisten bij Nederlandse onderwijsinstellingen die werken met Studielink-data. Je hebt geen machine learning-expertise nodig.
| |
|---|
| Bring Your Own Data | Je levert je eigen data aan — er wordt niets extern gedeeld |
| Privacy-vriendelijk | Draait volledig lokaal op je eigen machine |
| Open source | Transparant, aanpasbaar en gratis te gebruiken |
| Demodata via init | Direct uitproberen zonder eigen data — studentprognose init downloadt 6 MB demodata (beide sporen) op aanvraag |
📊 Presentatie
Een introductie tot Studentprognose (HOlink 2026): waarom instroomprognose lastig is, hoe het model werkt en hoe je ermee aan de slag gaat.
🛠️ Aan de slag voor ontwikkelaars
Via de broncode (met demodata):
# 1. Installeer uv (zie https://docs.astral.sh/uv/getting-started/installation/)
curl -LsSf https://astral.sh/uv/install.sh | sh
# 2. Clone de repository
git clone https://github.com/cedanl/studentprognose.git
cd studentprognose
# 3. Draai het model met demodata
uv run studentprognose -w 6 -y 2020
[!NOTE]
Demodata is meegeleverd in data/input_raw/, zodat je direct kunt starten. Gebruik -y 2020 t/m -y 2024 en -w 1 t/m -w 52.
🖥️ Grafische interface (optioneel)
Liever klikken dan typen? Er is een optionele webinterface (NiceGUI) die de CLI omhult — een project opzetten, de configuratie instellen en voorspellingen draaien, zonder terminalkennis. Je draait haar vanuit een clone van deze repository:
uv run --extra gui python -m gui
Open daarna http://localhost:8080 in je browser. De interface is een schil rond dezelfde CLI; alles wat je in de GUI doet kun je ook op de opdrachtregel doen. Zie Grafische interface in de documentatie.
✨ Gebruik
[!IMPORTANT]
Dit model werkt met Studielink-telbestanden. Je hebt deze data nodig om voorspellingen te maken voor jouw instelling; de meegeleverde demodata laat je het model eerst uitproberen. Zie Je data voorbereiden.
studentprognose -w 6 -y 2024 # specifieke week en jaar
studentprognose -w 10 : 20 -y 2023 # weekbereik
studentprognose -d c # alleen cumulatief spoor
studentprognose -d c --institution 21PC # scoop de teldata op je eigen instelling
studentprognose -y 2023 2024 -w 10 : 20 -d b # meerdere jaren, beide sporen
studentprognose -d cwf -w 16 -y 2025 # CWF-model: prognose + interval + betrouwbaarheidslabel
studentprognose benchmark -d c -w 12 # vergelijk alternatieve modellen
studentprognose benchmark -d cwf -w 12 # backtest van het CWF-model
studentprognose tune -d c -w 12 # stem hyperparameters af (cumulatieve regressor)
This is the beginning of the README. Read the rest at the original. Read the full README ↗
