- Grundlagen zu Data, Data Science, AI, Artificial Intelligence und Künstlicher Intelligenz
- Rollenverständnis: Wie Data Scientists Modelle entwickeln, evaluieren und skalieren
- Technischer Einstieg mit Python, Git, GitHub und UNIX zur Projektumsetzung
- Strukturierter Workflow im Data Science Lifecycle für Modellaufbau
Techniken der Datenanalyse & Feature Engineering
- Explorative Datenanalyse mit Pandas, Numpy und SQL
- Data Wrangling, Visualisierung und Merkmalserstellung für präzise Modelle
- Erkennung von Korrelationen, Ausreißern und Mustern
- Vorverarbeitung für modellkompatible Data Sets
Machine Learning Techniken für Data Scientist Modelle
- Supervised Learning: Klassifikation & Regression mit Scikit-learn
- Ensemble Methods, Cross-Validation und Hyperparameter-Tuning
- Modellbewertung mit Metriken wie Accuracy, AUC, F1
- Integration von Machine Learning Modellen in reale Data Science Projekte
Deep Learning & AI Tools zur Modelloptimierung
- Entwicklung neuronaler Netze mit Tensorflow und Keras
- Einsatz von Transfer Learning, CNNs, NLP und Time Series Modellen
- Modellinterpretation und Performanceverbesserung mit fortgeschrittener AI
- Künstliche Intelligenz zur Automatisierung komplexer Modellierungsprozesse
Projekt: Data Science Modell-Entwicklung
- End-to-End Entwicklung eines Data Scientist Modells im Team
- Verwendung agiler Methoden zur Planung, Umsetzung und Iteration
- Dokumentation, Versionierung und Präsentation datenbasierter Modelle
- Fokus auf Business Value, AI-Nutzen und Künstliche Intelligenz im Modell