Modul 01: Einführung in Datenanalyse und KI
- Abgrenzung von Datenanalyse, Data Science und KI
- Relevanz datengetriebener Entscheidungen
- Überblick über Werkzeuge und Methoden
- Praxis: Datenquellen identifizieren und strukturieren

Modul 02: Datenaufbereitung und -bereinigung
- Techniken der Datenbereinigung (z. B. Missing Values, Outlier Detection)
- Datenformate und Transformation
- Tools: Excel PowerQuery, Pandas in Python
- Übung: Säubern eines realen Datensatzes

Modul 03: Explorative Datenanalyse (EDA)
- Visualisierungstechniken (z. B. Boxplots, Heatmaps)
- Deskriptive Statistik
- Tools: matplotlib, seaborn, Tableau Public
- Übung: Visuelle Exploration eines Datensatzes

Modul 04: Einführung in maschinelles Lernen
- Supervised vs. Unsupervised Learning
- Klassifikation vs. Regression
- Modellbewertung (Accuracy, Precision, Recall)

Modul 05: KI-gestützte Datenanalyse
- Einsatz von KI zur Mustererkennung
- Clustering-Algorithmen (z. B. K-Means)
- Neuronale Netze: Grundlagen und Anwendungsbeispiele
- Hands-on: Segmentierung eines Kundendatensatzes

Modul 06: Automatisierung von Datenprozessen
- Einführung in ETL-Prozesse
- Workflows mit Apache Airflow oder KNIME
- Praxis: Aufbau eines automatisierten Analyseprozesses
- Fehlerhandling und Logging

Modul 07: KI-Einsatz in Unternehmen
- Anwendungsfelder von KI: Marketing, Produktion, HR
- Chancen und Herausforderungen
- Diskussion: Grenzen von KI in Entscheidungsprozessen
- Best Practices und Lessons Learned

Modul 08: Modellinterpretation und ethische Aspekte
- Explainable AI (z. B. SHAP, LIME)
- Bias und Fairness in Daten und Modellen
- Datenschutz & DSGVO bei KI-Systemen
- Case Study: Risikoanalyse eines KI-Einsatzes

Modul 09: Projektarbeit & Ausblick
- Anwendung des Gelernten in einer Mini-Projektarbeit
- Vorstellung der Ergebnisse und Peer-Feedback
- Empfehlungen für Tools, Weiterführendes Lernen
- Abschlussrunde und Zertifikatsvergabe