- Überblick über Data Science, Machine Learning, AI und Künstliche Intelligenz
- Verantwortungen eines Data Scientists in datenorientierten Firmen und digitalen Umbrüchen
- Technische Grundlage mit Python, UNIX, Git und GitHub für zukünftige Data Scientists
- Kollaborative Ansätze in Data Science Teams mit modernen Tools
Praktischer Ansatz zur Datenanalyse
- Explorative Datenanalysen mit Pandas, Numpy und SQL, maßgeschneidert für Data Scientists
- Datenaufbereitung, -visualisierung und -interpretation im Rahmen von Data Science
- Datenbereinigung, Erkennung von Ausreißern und Feature Engineering für präzise Analysen
- Mini-Projekt zur Nutzung von echten Geschäftsdaten durch Data Scientist Herangehensweise
Machine Learning Anwendungstechniken
- Einsatz von überwachten Lernverfahren wie Regressions- und Klassifikationsmodellen
- Wichtige ML-Methoden: Training, Bewertung und Optimierung für Data Scientists
- Praktische Projekte mit Modellbereitstellung und AI-Integration
- Nutzung von Ensemble-Techniken und Leistungsoptimierung im Data Science Bereich
Deep Learning & fortgeschrittene AI-Strategien
- Unüberwachtes Lernen, Clustering und Zeitreihenanalyse
- Entwicklung neuronaler Netzwerke mit Tensorflow & Keras für Data Scientist Aufgaben
- NLP, Transferlernen und Deep AI im Kontext von Data Science
- Einbindung von Künstlicher Intelligenz in datengetriebene Geschäftsmodelle
Abschlussprojekt: Methoden anwenden und zeigen
- Ganzheitliches Projekt zur Anwendung des umfassenden Data Science Wissens
- Agile Projektmethoden, Zielvorgaben und Git-basierte Versionierung
- Erstellung eines Datenprodukts mit AI-Integrationen
- Finale Präsentation, fokussiert auf Data Science Methoden und Geschäftseinfluss