- Einführung in Data Science, Machine Learning, AI und Künstliche Intelligenz
- Analyse wissenschaftlicher und geschäftlicher Data mit Python, UNIX & Git
- Verwendung von GitHub zur kollaborativen Code- und Forschungsarbeit
- Überblick über Rollen, Research Cases und datengetriebene Forschung im Data Science Umfeld
Essenzielle Tools für Data Scientists
- Umfassender Einsatz von Pandas, Numpy und SQL für Data Handling durch angehende Data Scientists
- Datenvisualisierung, explorative Analyse und Hypothesentests als Kernkompetenz für Data Scientists
- Data Cleaning, Data Wrangling und dokumentierte Research Pipelines
- Strukturierte Datenanalysen mit wissenschaftlichem Anspruch im Data Science Kontext
Machine Learning für Forschung & Innovation
- Anwendung von Klassifikations- und Regressionsmodellen in Forschungsszenarien
- Bewertung, Vergleich und Optimierung von Algorithmen für reproducible Science
- Automatisierte Modellierung mit GridSearch, Pipelines und Feature Selection
- Verantwortungsvoller Einsatz von AI durch Data Scientists im forschungsgetriebenen Data Science Prozess
AI Frameworks & Deep Learning Methoden
- Verwendung von Tensorflow, Keras, NLP-Methoden und Transfer Learning
- Unsupervised Learning, Clustering und Dimensionsreduktion für explorative Forschung
- Zeitreihenanalyse und Text Mining im wissenschaftlichen Umfeld
- Künstliche Intelligenz zur Modellierung komplexer Zusammenhänge in Data Science & Big Data
Data Science Projekte & Forschungsarbeit
- Eigenständiges Projekt mit Fokus auf wissenschaftliche Fragestellungen, durchgeführt von Data Scientists
- Einsatz agiler Methoden zur Strukturierung interdisziplinärer Data Science Forschung
- Entwicklung eines datenbasierten Research-Prototyps mit AI-Anbindung durch Data Scientist Teams
- Präsentation der Ergebnisse für Fachpublikum und nicht-technische Stakeholder
Data Scientists setzen Python, UNIX, Git, Pandas, Numpy und SQL intensiv ein, um datengetriebene Forschung und wissenschaftliche Analysen durchzuführen.