- Grundverständnis von Data Science, AI, Machine Learning und Künstlicher Intelligenz
- Einblick in typische Rollen und Anwendungsbereiche in Data-getriebenen Unternehmen
- Technische Grundlagen mit Python, Git, GitHub und UNIX-Shell
- Erste eigene Python-Programme und Einführung in moderne Data Workflows
Werkzeuge & Libraries für Data Science Techniken
- Arbeiten mit Pandas, Numpy und SQL zur Verarbeitung von Data
- Explorative Datenanalyse zur Mustererkennung und Hypothesenbildung
- Datenvisualisierung für Insights und Business-Zusammenhänge
- Datenethik, Data Wrangling und Umgang mit realen Datensätzen
Kernkonzepte von Machine Learning
- Einführung in Supervised Learning: Regressions- und Klassifikationsmodelle
- Verständnis für Optimierung, Modellgüte und Auswahlverfahren
- Trainingsmethoden, Cross-Validation und Interpretation von Ergebnissen
- Anwendung des Gelernten in einem Mini-Projekt mit Data Fokus
AI & Deep Learning verstehen und anwenden
- Unsupervised Learning und Segmentierungsverfahren im Data Science Kontext
- Grundlagen von künstlichen neuronalen Netzen und Transfer Learning
- Einführung in Tools wie Tensorflow, Keras und Anwendungen in NLP
- Verknüpfung von Deep Learning mit Data Science Aufgabenstellungen
Data Science Projektarbeit & agile Methoden
- Eigenständige Umsetzung eines vollständigen Data Science Projekts
- Arbeiten im Team mit Git & agilen Tools zur Projektstrukturierung
- Integration von Data Science Lifecycle und Präsentation vor Stakeholdern
- Verwendung von AI und Künstlicher Intelligenz für innovative Lösungen
Die Teilnehmer lernen, wie sie Data Science Techniken in echten Data Science Projekten mit Data-Tools wie Python und Tensorflow anwenden können.