Data Scientists handhaben die Aufarbeitung und Analyse von Daten und können anhand komplexer Datenmuster Modellierungen zur Vorhersage von Businessszenarien erstellen. Der Lehrgang erläutert daher zunächst die Anforderungen von Daten und Datenbanken, die Data Warehouse-Modellierung und den ETL-Prozess, außerdem die Datenanalyse sowie deren Programmierung, Visualisierung und Management im Big Data Kontext. Als weiterer Schwerpunkt werden die zentralen Aufgaben des Machine Learnings und Deep Learnings vorgestellt: von den Grundlagen des maschinellen Lernens, den Kategorien überwachtes und unüberwachtes Lernen über das Thema Evaluierung und Verbesserung bis hin zu den Methoden des Deep Learnings auf Basis von neuronalen Netzen. Ein Einblick in die Nutzung Künstlicher Intelligenz in diesem Bereich rundet den Kurs ab.
- Grundlagen Business Intelligence, Data Engineering
- Anforderungsmanagement Data Engineer
- Künstliche Intelligenz (KI) im Arbeitsprozess
- Datenbanken
- Data Warehouse
- ETL
- Projektarbeit Data Engineer
- Einführung Datenanalyse
- Wiederholung Grundlagen Python
- Datenanalyse, Data Analytics
- Künstliche Intelligenz (KI) im Arbeitsprozess
- Datenvisualisierung
- Datenmanagement
- Datenanalyse im Big Data Kontext
- Dashboards
- Text Mining
- Projektarbeit Data Analytics
- Einführung in Machine Learning
- Überwachtes Lernen
- Unüberwachtes Lernen
- Evaluierung und Verbesserung
- Projektarbeit Machine Learning
- Machine Learning: Deep Learning
- Grundlagen in neuronalen Netzen
- Convolutional Neural Network (CNN)
- Transfer Learning
- Regional CNN
- Methoden der kreativen Bilderzeugung
- Recurrente neurale Netze
- Textverarbeitung durch neuronale Netze
- Sprachmodelle
- Deep Reinforcement Learning
- Bayes'sche neuronale Netze
- Projektarbeit Deep Learning
Änderungen möglich, die Lehrgangsinhalte werden regelmäßig aktualisiert.