Wiskundige op zoek naar iets nieuws

[Verwijderd]

Hallo,

als nieuweling op dit forum hoop ik dat ik het juiste subforum gevonden heb en dat de volgende vraag welkom is. Ik werk op het moment aan een Engelse universiteit als wiskundige (heb dus een PhD enz.) en ben rond de 40 jaar. Naast een periode van zo'n anderhalf jaar in de financiele industrie heb ik vooral uitgebreide werkervaring als academicus, dus onderzoek (vooral in de stochastiek/kansrekening, stochastische processen, stochastische modellen met allerlei toepassingen, stochastische optimalisatie enz.), lesgeven en nog een aantal kleinere taken.

Door een aantal factoren, waaronder het snel en sterk veranderende karakter van de academische wereld, vraag ik me de laatste tijd steeds vaker af of ik hier wel voldoende toekomstperspectief zie. Vandaar dat ik bezig ben me te orienteren op eventuele alternatieven.

Een reden om hier een topic te openen is dat ik ook altijd een voorliefde heb gehad voor computers en programmeren. Ik heb in m'n onderzoek met enige regelmaat implementaties van specifieke algoritmes uitgevoerd bijvoorbeeld. Buiten m'n onderzoek/m'n werk heb ik ook een aantal zaken gedaan, zoals het in elkaar zetten van een uitgebreide interactieve website en 'admin backend' voor een online competitie die we organiseren, en wat stukken software voor administratieve doeleinden voor een familiebedrijf. Vooral in Python(/Sage) en PHP. Niet bijzonder indrukwekkend, dat begrijp ik, maar het geeft een beetje een idee.

MIjn vraag is (dus) vrij open: voor iemand met mijn profiel, die houdt van zowel (wiskundig) onderzoek, lesgeven als programmeren, die geen 18 meer is maar altijd graag en snel leert, hebben jullie misschien suggesties voor mogelijkheden binnen de (voor mij vrij onbekende) wereld van software/programmeren waar ik een of meer van die passies kwijt zou kunnen (en waar ze die passies dan ook nog zouden willen hebben )?

NB: ik ben niet noodzakelijkerwijs van plan om terug naar NL te komen voor een nieuwe baan, het gaat me vooral om algemene suggesties.

Bedankt alvast! .

[Tsurany]

Ik zou op de termen Big Data en Data Analytics zoeken, lijkt me een goede match. Er is enorm vee werk te vinden in die hoek.

[Verwijderd]

Tsurany schreef op woensdag 18 juli 2018 @ 01:30:
Ik zou op de termen Big Data en Data Analytics zoeken, lijkt me een goede match. Er is enorm vee werk te vinden in die hoek.

Dank je! Dat ben ik eigenlijk vergeten toe te voegen aan de OP, met je eens dat dat een zich snel ontwikkelend gebied is, maar aangezien dat vooral statistiek is (voor zover ik weet) en ik daar maar weinig van weet is dat geen heel natuurlijke match -- maar wel zeker een om in het achterhoofd te houden .

[Punkrocker]

<off topic>Zoonlief had op de VWO een bloedhekel aan Wiskunde, was er ook niet zo goed in. Hij was dolgelukkig toen hij hoorde dat hij bij zijn WO opleiding geen wiskunde hoefde te doen. Hij was woest toen een half jaartje later bleek dat hij wel twee studieblokken lang Statistiek kreeg. Toen ik hem zei dat Statistiekgeen echte wiskunde was ontplofte hij bijna. </off topic>

Maar desondanks lijkt mij Big Data geen foute keuze voor je. Reuze interessant en “de toekomst”.

[anarchitect713]

Machine learning, deep learning.

[naitsoezn]

Ik denk dat je met een PhD in wiskunde meer weet van statistiek dan menig big-data-specialist

Verder moet je ook de leidinggevende ervaring niet vergeten: Waarschijnlijk heb je minimaal een X-aantal MSc-studenten begeleid, maar mogelijk zelfs andere PhD-Studenten en grote kans dat je wat project-leider-ervaring hebt. Je hebt als hoogopgeleide expert misschien de neiging om dergelijke vaardigheden van jezelf wat de bagatelliseren, maar dergelijke skills kunnen zeker helpen bij een eventuele zoektocht.

[ Voor 3% gewijzigd door naitsoezn op 18-07-2018 12:06 ]

[timag]

Verwijderd schreef op woensdag 18 juli 2018 @ 01:12:
Naast een periode van zo'n anderhalf jaar in de financiele industrie ...

Juist in Londen is de financiële sector een hele logische om eens te gaan kijken. In de richting van bijv. quant maar ook data science en machine learning toepassingen zijn mensen met jouw achtergrond erg gewild. Ik ken toevallig wiskundigen met Python-skills die dit soort dingen bij financials doen...

[gerlof92]

Machine learning, deep learning en AI.

[Flo]

Snel veranderende energiewereld bied ook kansen. Grotere complexiteit om vraag en aanbod constant in balans te houden, mede door duurzame bronnen (grootschalig maar ook zon op het dak). Dat is een uitdaging voor de netbeheerders, plant operators, developers, consultants, technologie ontwikkelaars, en ook de academische wereld. Niet direct IT of programmeren, maar de IT kant is wel vaak noodzakelijk voor de implementatie. De termen advanced analytics, big data en AI worden steeds vaker gebruikt maar er zijn er maar weinig die het echt snappen en ook al toepassen. Wiskundig een heel interessant vraagstuk, en achtergrond in de financiele sector kan helpen (energiemarkt is een markt, waar zoals op vele markten ook wordt gehandeld).

[Free rider]

Data Science - vereist dus statistiek, maar gezien jouw opleiding is dat geen probleem.

Kijk eens op www.datacamp.com, schrijf je in voor gratis cursussen om te zien waar het over gaat.

[theHoff]

Wiskundige modellen zijn/worden steeds belangrijker in de IT. We gaan van informerende systemen naar voorspellende systemen en algoritmes nemen daar een steeds belangrijkere rol in. Daarnaast is het allemaal nieuwe technologie waar een hoop mensen (nog) geen kennis van hebben.
Volgens mij is het een heel mooi moment om over te stappen.

[FRidh]

Sensor fusion is best een groot topic nu bij bedrijven die bezig zijn met de ontwikkeling van software voor autonome auto's. Dat is dus veel werken met statistische signaalbewerking, Bayesische and Kalman filters.

[daan!]

Als je echt zoekende bent kan je ook nog overwegen de consultancy in te gaan. Zelf geen ervaring mee maar vanuit vrienden/familie gemerkt dat ze bij veel verschillende bedrijven projecten konden doen, daardoor kwamen ze in aanraking met heel verschillende opdrachten/taken. Zo konden ze zich heel goed oriënteren op wat ze nou eigenlijk leuk vonden, wat er beschikbaar was en wat ze wilden. Qua vooropleiding zit je met een PhD eigenlijk al goed. In de wiskunde zit je, lijkt mij, al 100x goed.
Zoek je zo iets of wil je meteen bij 1 bedrijf terecht?

[writser]

timag schreef op woensdag 18 juli 2018 @ 12:36:
[...]


Juist in Londen is de financiële sector een hele logische om eens te gaan kijken. In de richting van bijv. quant maar ook data science en machine learning toepassingen zijn mensen met jouw achtergrond erg gewild. Ik ken toevallig wiskundigen met Python-skills die dit soort dingen bij financials doen...

+1. In die sector denk ik genoeg vraag naar mensen met jouw skillset, over het algemeen prima salarissen en uitdagende banen.

[ Voor 9% gewijzigd door writser op 18-07-2018 21:18 ]

[The Eagle]

Als iemand di zelf in de Big Data hoek zit: Data Science is idd je toeverwoord. Duik er mar eens in, moet voor jou gesneden koek zijn. Grote banken, verzekeraars, allemaal zittenze er dik in. Eigenlijk alle grot bedrijven wel.

[Verwijderd]

Wow, hartstikke bedankt allemaal voor de reacties! . Zoals hierboven ook al gemeld, Data Science/Big Data enz. zitten in de statistische hoek waar ik eigenlijk niet zoveel van weet -- maar zoals ook gezegd leer ik graag en jullie reacties maken wel extra duidelijk dat daar een hoop te doen is. Toch eens goed verder naar kijken. Voor een zomerproject voor een student was ik sowieso al van plan om me wat meer te gaan verdiepen in Machine Learning etc. dus dat komt wel mooi uit.

De financiele industrie is zeker ook een optie. Ik heb meegekregen dat tijdens en in de nasleep van de financiele crisis er veel (massa)ontslagen zijn gevallen in die hoek en vandaar dat ik m'n twijfels had over de mogelijkheden daar, maar zeker de moeite waard om eens wat te gaan informeren.

Als er nog anderen zijn met suggesties in andere richtingen, dan hoor ik ze graag! .

[theHoff]

Verwijderd schreef op woensdag 18 juli 2018 @ 23:37:
Zoals hierboven ook al gemeld, Data Science/Big Data enz. zitten in de statistische hoek waar ik eigenlijk niet zoveel van weet --

Ik denk dat je hier wel een denkfout maakt. Je hebt een solide wiskundige basis en daarmee meer relevante kennis in dat vakgebied dan de meeste IT'ers. Ik begrijp dat je zelf niet veel vertrouwen in je eigen kunnen zult hebben in het gebied van de statistiek, maar ik denk dat je dat even naast je neer moet leggen en meer moet kijken of het iets is wat je leuk zou vinden. Die kennis die je mist die spijker je on the job/ in je eigen tijd wel bij als je hier je plezier in weet te vinden (je hebt een PhD dus zelfstandig werken en onderzoeken zit min of meer in je bloed)

Ik denk dat je je eigen reserveringen even los moet laten. De betreffende IT richting is ontzettend in ontwikkeling en er is veel meer vraag dan aanbod. Dat geeft jou de mogelijkheid om in te stromen en te leren en groeien, zo iemand is namelijk nog altijd oneindig meer productief dan een onvervulde vacature. Tuurlijk zal je over je eerste projecten na een aantal jaar niet zo trots meer zijn (maar wie is dat wel in de IT over z'n eerste projecten en de geleverde werkkwaliteit). Maar al doende leer je en word je beter. Als je bij het juiste bedrijf terecht komt zou dit ook de werkcultuur moeten zijn. Bij veel IT bedrijven is dit de cultuur, maar niet bij allemaal. Ik zag dat consultancy ook aangeraden werd. Dat zou ik je zelf juist afraden in het begin. Hier wordt van je verwacht dat je ook direct meerwaarde oplevert, dus tenzij je een consultancy bedrijf weet te vinden waar je eerst een trainingstraject ingaat (wat wellicht wegens je leeftijd wat minder makkelijk zal zijn, maar nogmaals, de markt is overspannen), dan zou ik me de eerste jaren hier nog niet op richten.

Nou is mijn verhaal wel toegespitst op de Nederlandse markt. Ik vind zelf de UK werkcultuur hier wel van verschillen (ben in beide actief in de IT). In de UK vind ik het over het algemeen wat bureaucratischer dan in Nederland. Meer overleggen, meer consensus zien te vinden, minder productiviteit, proces boven resultaat etc. Natuurlijk is dat wat gechargeerd, maar dat is wel het algemene gevoel wat ik er over heb. Met beide niks mis, hangt van je persoon af wat je prettiger vindt.

Ik hoop dat je er wat aan hebt. M'n beste advies wat ik je kan geven is, ga gewoon even ergens op sollicitatiegesprek. Dan weet je beter wat de functie inhoudt, wat er gevraagd wordt, waar je eventuele tekortkomingen (zullen) liggen. Mocht je dan voor het echt gaan solliciteren dan ben je tenminste wat voorbereid op wat er van je verwacht wordt en wat zo'n rol nou precies inhoudt.
Even de stoute schoenen aantrekken dus

[anarchitect713]

Voor Machine Learning is de Stanford MOOC op Coursera door Andrew Ng een goede intro. Voor deep learning is deeplearning.ai op Coursera, ook door Ng, een goede. Vooral de eerste gooit er een wiskundig sausje overheen. Je zult zien dat voor beide disciplines een beetje kennis van kansrekening meegenomen is maar zeker niet noodzakelijk.

[timag]

Verwijderd schreef op woensdag 18 juli 2018 @ 23:37:
De financiele industrie is zeker ook een optie. Ik heb meegekregen dat tijdens en in de nasleep van de financiele crisis er veel (massa)ontslagen zijn gevallen in die hoek en vandaar dat ik m'n twijfels had over de mogelijkheden daar, maar zeker de moeite waard om eens wat te gaan informeren.

Er zijn zeker veel mensen ontslagen, maar omdat men dit over het algemeen als de toekomst ziet zijn deze skills juist nog steeds gewild.

[Frieda]

Stuur eens een open sollicitatie naar het onderzoekscentrum van het AvL ziekenhuis. Daar zijn ze bezig met allerlei berekeningen over hoe je kunt voorspellen welk kankermedicijn voor welke tumor geschikt is. Allemaal gebaseerd op wiskundige modellen.

[_vision]

Verwijderd schreef op woensdag 18 juli 2018 @ 23:37:
Wow, hartstikke bedankt allemaal voor de reacties! . Zoals hierboven ook al gemeld, Data Science/Big Data enz. zitten in de statistische hoek waar ik eigenlijk niet zoveel van weet -- maar zoals ook gezegd leer ik graag en jullie reacties maken wel extra duidelijk dat daar een hoop te doen is.

Geloof me, met een MSc. in wiskunde (laat staan een PhD) is de statistiek in Data Science echt geen rocket science hoor. Dat heb je snel door.

Daarnaast gebruiken nogal wat Machine Learning algoritmen, zoals neurale netwerken, technieken uit matrix algebra en differentiaal / integraal rekening. Dat lijkt me gesneden koek voor je.

[The Eagle]

@Verwijderd als jij richtig big data en data science wilt moet je misschien eens met @ToolkiT contacten. Die zit in de UK, ook in die wereld. Geen idee of die mogelijkheden ziet of heeft maar keertje contacten kan nooit kwaad lijkt me, misschien zoeken zij wel iemand als jij

[JackBol]

Verwijderd schreef op woensdag 18 juli 2018 @ 23:37:
Zoals hierboven ook al gemeld, Data Science/Big Data enz. zitten in de statistische hoek waar ik eigenlijk niet zoveel van weet

Zoals TheHoff hierboven al aangeeft, denk je er te hard over na. Je vergelijkt jezelf waarschijnlijk met statistici in je academische omgeving. Maar 'in het veld' wordt een programmeur met twee semesters statistiek onder de riem al een Data Scientist genoemd.

[Verwijderd]

Hartstikke bedankt weer allemaal!

@theHoff, @_vision en @JackBol, jullie maken hele goede punten en hebben waarschijnlijk meer dan groot gelijk. Een snelle Google levert ook verrassend veel vacatures etc. op in deze regio. Daar ga ik zeker verder naar kijken en wat lijntjes uitgooien.

@Frieda, dank je wel, dat klinkt ook erg interessant! Vooralsnog is echter m'n voorkeur om in deze regio te blijven wonen en werken.

@The Eagle, merci, ik ga proberen of ik hem/haar te pakken kan krijgen via het Berichten-systeem.

[GlowMouse]

Laat ik eens wat tegengas geven TS is een expert in stochastische processen. Als hij zich in machine learning gaat verdiepen is dat zonde van zijn talent en opgebouwde kennis. Laten we vooral niet doen alsof je voor machine learning veel geleerd moet hebben; iedereen die een beetje kan programmeren, kan zich na een jaartje aanprutsen expert noemen. Het gaat met name om de programmeerskills om een dataset te ordenen en om ervaring (wat zijn goede features? wat voor modellen kan ik uitproberen? wat is een goede AUC?), en minder om zaken die je met hard nadenken en pen en papier kunt afleiden (voor 99.9% van de baantjes).
Ik zou TS aanraden om verder te kijken. De financiële sector was al genoemd, dat lijkt me een goede suggestie.

[ Voor 4% gewijzigd door GlowMouse op 22-07-2018 22:40 ]

[Verwijderd]

Dat is ook een interessante reactie, dank je! Ik hoopte dat er ook mogelijkheden zouden zijn om je verder te ontwikkelen en te groeien in het veld, inclusief het oplossen can 'nieuwe' problemen. Of is het meer zo dat de metamodellen en -technieken, om het even zo te noemen, wel zo'n beetje vaststaan en het meer een kwestie is van kiezen uit de mogelijkheden die er al zijn en implementeren?

[JackBol]

Leg anders even uit waar stochastiek voor gebruikt wordt. Misschien komen er dan andere tips dan 'data scientist'

Als ik google, kom ik uit op wachtrij systemen, die je in de IT ook veel hebt (uiteindelijk zijn alle resources schaars). Maar het meest spannende is in dat gebied wel opgelost. Voor zowel op CPU als network scheduling zie ik niet veel nieuwe ontwikkeling.

[ Voor 52% gewijzigd door JackBol op 22-07-2018 22:59 ]

[Verwijderd]

Goed punt! Hier zijn een paar voorbeelden (uit de losse hand) van toepassingen die ik ben tegengekomen.

1. Modellen voor aandelenkoersen enz. in de financiele wereld. Bijv. het klassieke Black&Scholes-model, waarin het verloop van een aandelenkoers wordt gemodelleerd door een Brownse beweging. Een mogelijke uitbreiding van dit model is om een meer algemeen zogenoemd Levyproces te gebruiken i.p.v. een Brownse beweging (grof gezegd kunnen aandelenkoersen dan ook 'sprongen' laten zien). Levyprocessen zijn wel een specialisatie van me (hoewel behoorlijk abstract), en die kunnen ook op een natuurlijke manier gebruikt worden in verzekeringswiskunde bijvoorbeeld (als uitbreiding van het klassieke Cramer-Luindberg-model). Binnen dit soort modellen kunnen dan allerlei problemen bekeken worden, zoals hoeveel een optie waard zou moeten zijn.

2. Stochastische belissingsproblemen ('stochastic dynamic programming'). Die komen in heel veel soorten en maten. Denk in het algemeen aan een situatie waarin een reeks aan beslissingen moet worden genomen, zeg aan het begin van elk jaar, waarbij de staat van het onderliggende systeem niet alleen door de genomen beslissingen wordt beinvloed maar ook door een onafhankelijke stochastische component. Het doel is dan bijv. om uit te vissen welke reeks beslissingen optimaal is gegeven een 'payoff' functie die elk jaar een 'payoff' uitbetaalt en afhangt van de staat van het onderliggende systeem. (Het cruciale punt hier is dat omdat eerdere belissingen het system beinvloeden, het geen kwestie is van simpel elk jaar kijken wat het beste is en de verdere toekomst negeren). Ook hier zijn allerlei uitbreidingen mogelijk, bijv. zulke problemen in continue tijd i.p.v. discrete tijd.

3. 'Optimal stopping'. Je volgt een bepaald object/kwantiteit door de tijd, die beweegt volgens bepaalde stochastische wetten. Je hebt de mogelijkheid om een bepaalde actie uit te voeren, maar dit kan slechts eenmalig. Wat is het optimale moment hiervoor? Meer concreet, denk aan het optimale moment om een gokspel te stoppen en te 'cashen'. Of het bekende 'secretary problem': je interviewt een aantal beschikbare kandidaten voor een positie een voor een. Je dient meteen na elk interview te besluiten of je de betreffende kandidaat wil aannemen, en als je besluit iemand weg te sturen dan kun je dat niet herroepen. Met welke strategie maximaliseer je de kans dat de beste uit alle beschikbare kandidaten te pakken krijgt?

4. 'Optimal detection'. In zo'n probleem volg je een stochastisch systeem waarin op een onbekend moment een verandering plaatsvindt in het gedrag van het systeem. Echter kun je deze verandering niet direct observeren, het is enkel een verandering in de stochastische wetten waar het systeem aan onderhavig is. Het doel is om het moment van de verandering zo nauwkeurig mogelijk (en in 'real time') te bepalen. Een simpel voorbeeld is wanneer je een reeks uitkomsten van een dobbelsteen observeert, waarbij je weet dat er begonnen wordt met een eerlijke dobbelsteen, en de verandering is dat een Russische agent de dobbelsteen ongemerkt vervangt door een andere die niet (helemaal) eerlijk is. Een meer interessante mogelijke toepassing is het zo snel en accuraat mogelijk detecteren van een (vijandig) object aan de hand van (subtiele) veranderingen in radarsignalen bijv.

Dit zijn er in ieder geval een paar! .

[Verwijderd]

@ToolkiT, als je dit ziet zou je mij dan misschien even een (leeg oid) berichtje willen sturen? Vanwege m'n Britse IP-adres kan ik blijkbaar geen berichten versturen (ik kan ze wel ontvangen en reageren heb ik al gemerkt).

[FrostNixon]

Gezien je specialiteit in stochastics, al gekeken naar iets van Risk Management in de financiële sector? Ik studeer zelf Econometrie en ben wel bekend met stochastische processen, behoorlijk pittig! Respect. Veel AI researchers zijn ook wiskundige PhD’ers.

[ Voor 11% gewijzigd door FrostNixon op 23-07-2018 08:19 ]

[Joep]

Geen idee of je het interessant vindt, maar in de astronomie wordt er enorm veel geprogrammeerd in Python. Wel een voornamelijk academische wereld, maargoed.

[Verwijderd]

Bedankt allebei! .

[Younes]

Verwijderd schreef op maandag 23 juli 2018 @ 00:02:
Goed punt! Hier zijn een paar voorbeelden (uit de losse hand) van toepassingen die ik ben tegengekomen.

1. Modellen voor aandelenkoersen enz. in de financiele wereld. Bijv. het klassieke Black&Scholes-model, waarin het verloop van een aandelenkoers wordt gemodelleerd door een Brownse beweging. Een mogelijke uitbreiding van dit model is om een meer algemeen zogenoemd Levyproces te gebruiken i.p.v. een Brownse beweging (grof gezegd kunnen aandelenkoersen dan ook 'sprongen' laten zien). Levyprocessen zijn wel een specialisatie van me (hoewel behoorlijk abstract), en die kunnen ook op een natuurlijke manier gebruikt worden in verzekeringswiskunde bijvoorbeeld (als uitbreiding van het klassieke Cramer-Luindberg-model). Binnen dit soort modellen kunnen dan allerlei problemen bekeken worden, zoals hoeveel een optie waard zou moeten zijn.

2. Stochastische belissingsproblemen ('stochastic dynamic programming'). Die komen in heel veel soorten en maten. Denk in het algemeen aan een situatie waarin een reeks aan beslissingen moet worden genomen, zeg aan het begin van elk jaar, waarbij de staat van het onderliggende systeem niet alleen door de genomen beslissingen wordt beinvloed maar ook door een onafhankelijke stochastische component. Het doel is dan bijv. om uit te vissen welke reeks beslissingen optimaal is gegeven een 'payoff' functie die elk jaar een 'payoff' uitbetaalt en afhangt van de staat van het onderliggende systeem. (Het cruciale punt hier is dat omdat eerdere belissingen het system beinvloeden, het geen kwestie is van simpel elk jaar kijken wat het beste is en de verdere toekomst negeren). Ook hier zijn allerlei uitbreidingen mogelijk, bijv. zulke problemen in continue tijd i.p.v. discrete tijd.

3. 'Optimal stopping'. Je volgt een bepaald object/kwantiteit door de tijd, die beweegt volgens bepaalde stochastische wetten. Je hebt de mogelijkheid om een bepaalde actie uit te voeren, maar dit kan slechts eenmalig. Wat is het optimale moment hiervoor? Meer concreet, denk aan het optimale moment om een gokspel te stoppen en te 'cashen'. Of het bekende 'secretary problem': je interviewt een aantal beschikbare kandidaten voor een positie een voor een. Je dient meteen na elk interview te besluiten of je de betreffende kandidaat wil aannemen, en als je besluit iemand weg te sturen dan kun je dat niet herroepen. Met welke strategie maximaliseer je de kans dat de beste uit alle beschikbare kandidaten te pakken krijgt?

4. 'Optimal detection'. In zo'n probleem volg je een stochastisch systeem waarin op een onbekend moment een verandering plaatsvindt in het gedrag van het systeem. Echter kun je deze verandering niet direct observeren, het is enkel een verandering in de stochastische wetten waar het systeem aan onderhavig is. Het doel is om het moment van de verandering zo nauwkeurig mogelijk (en in 'real time') te bepalen. Een simpel voorbeeld is wanneer je een reeks uitkomsten van een dobbelsteen observeert, waarbij je weet dat er begonnen wordt met een eerlijke dobbelsteen, en de verandering is dat een Russische agent de dobbelsteen ongemerkt vervangt door een andere die niet (helemaal) eerlijk is. Een meer interessante mogelijke toepassing is het zo snel en accuraat mogelijk detecteren van een (vijandig) object aan de hand van (subtiele) veranderingen in radarsignalen bijv.

Dit zijn er in ieder geval een paar! .

Ik kan je van geen enkel inhoudelijke advies voorzien, maar vind ‘t wel reuze interessant! Succes met de zoektocht!