- Einführung in Data Science, Machine Learning, AI und Künstliche Intelligenz
- Verständnis der Data Scientist Rolle und Anwendungsszenarien im Unternehmen
- Technisches Setup mit Python, UNIX, Git und kollaborativer Codeverwaltung via GitHub
- Projektorientierte Nutzung von Tools zur Entwicklung skalierbarer Data Science-Anwendungen
Methoden der Datenanalyse & Datenverarbeitung
- Explorative Datenanalyse mit Pandas, Numpy und SQL für Data Science-Workflows
- Data Wrangling, Visualisierung und Business-orientierte Interpretation
- Datenethik, Qualitätsprüfung und saubere Datenprozesse - entscheidend für Data Scientists
- EDA-Projekt zur Anwendung der Methoden in praxisnahen Data Science Szenarien
Machine Learning Methoden für Data Scientists
- Supervised Learning: Klassifikation, Regression und Modelltraining durch Data Scientists
- Modelloptimierung mit Regularisierung, Cross-Validation und Grid Search
- Bewertung und Vergleich von ML-Modellen für unterschiedliche Data Science Ziele
- Teamprojekt zur Entwicklung praxistauglicher ML-Lösungen durch angehende Data Scientists
Advanced AI & Deep Learning Techniken
- Nutzung von AI Frameworks wie Tensorflow und Keras für produktionsreife Modelle
- Unsupervised Learning, Clustering, Dimensionsreduktion und Zeitreihenanalysen
- NLP, neuronale Netze und Transfer Learning für komplexe AI-Aufgaben im Data Science Umfeld
- Ethische Aspekte und nachhaltiger Einsatz von Künstlicher Intelligenz durch Data Scientists
Capstone-Projekt: Methoden praktisch anwenden
- Komplettes Data Science Projekt - von Datenaufnahme bis Ergebnispräsentation
- Einsatz agiler Projektmethoden und strukturierter Entwicklungsphasen
- Integration aller erlernten Methoden in ein produktionsnahes Data Product
- Präsentation vor Stakeholdern mit Fokus auf Business Value & AI-Einsatz durch Data Scientist Teams
Data Scientists lernen, wie man ethische Aspekte und nachhaltige Praktiken in fortgeschrittenen AI- und Deep Learning-Techniken integriert.