Lernorganisation, Zusammenarbeit in Gruppen, Nutzung digitaler Arbeitsumgebungen und Entwicklungswerkzeuge, Einrichtung und Grundbedienung von Entwicklungsumgebungen.
Python-Grundlagen:Programmierlogik, Datentypen, Variablen, Ein- und Ausgabe, Kontrollstrukturen, Standardfunktionen, Arbeiten mit Dateien und Pfaden, Nutzung von Bibliotheken, Arbeiten mit virtuellen Umgebungen und Paketverwaltung.
Funktionen und Module:eigene Funktionen erstellen, Parameter und Rückgabewerte verwenden, Programme modular strukturieren, Wiederverwendbarkeit von Code umsetzen, Fehlerbehandlung mit Exceptions, Debugging-Grundlagen, Einsatz von Standardbibliotheken.
Datenbanken (SQL/NoSQL):Datenmodelle verstehen, relationale und nicht-relationale Konzepte unterscheiden, CRUD-Operationen durchführen, Abfragen formulieren, Datenbankzugriffe in Python integrieren, Datenhaltung mit objektorientierten Strukturen verbinden, einfache Datenflüsse und Datenpipelines entwickeln.
Objektorientierte Programmierung und GUI:Klassen und Objekte erstellen, Vererbung und Polymorphie anwenden, strukturierte Anwendungslogik entwickeln, grafische Benutzeroberflächen entwerfen und umsetzen, Ereignissteuerung, Mehrfensterkonzepte und Multi-Dokument-Ansätze anwenden.
Machine-Learning-Grundlagen:zentrale Begriffe und Verfahren, Datenaufbereitung, Feature-Bildung, Arbeiten mit Vektoren, Matrizen und Tabellen, Einsatz typischer ML-Bibliotheken, Statistikgrundlagen (Verteilungen, Kennzahlen, Korrelation), Einführung in Textverarbeitung und Natural Language Processing.
Visualisierung und Data Pipelines:Daten explorieren und visualisieren, Visualisierungen erstellen, ETL-Schritte planen und umsetzen (Extraktion, Transformation, Laden), Daten über Schnittstellen beziehen, REST-APIs nutzen, Grundlagen skalierbarer Datenverarbeitung und Big-Data-Konzepte.
Deep Learning:Aufbau neuronaler Netze verstehen, Modellarchitekturen auswählen, Training und Evaluierung durchführen, Überanpassung erkennen und Gegenmaßnahmen anwenden, MapReduce-Prinzipien einordnen, Grundlagen der Bereitstellung von Modellen (Export, Schnittstellenanbindung, Nutzung in Anwendungen).
Abschlussprojekt:Projektplanung, Datenbeschaffung und -aufbereitung, Umsetzung einer Anwendung mit maschinellem Lernen oder neuronalen Netzen, Integration von OOP-Strukturen und optionaler Benutzeroberfläche, Auswertung und Dokumentation der Ergebnisse, Präsentation der Projektarbeit, theoretische Abschlussprüfung.