- Einführung in die Grundlagen von Data Science, Machine Learning und Artificial Intelligence
- Rollenverständnis des Data Scientists und seine Einsatzmöglichkeiten in Unternehmen
- Technische Voraussetzungen inklusive Python, UNIX, Git und GitHub für kollaborative Projekte
- Nutzung von Tools zur Entwicklung skalierbarer Data Science Anwendungen
Analysemethoden & Datenverarbeitung
- Erforschung von Data Science Workflows mit Pandas, Numpy und SQL
- Data Wrangling, Visualisierung und businessorientierte Analyse
- Ethische Ansätze, Qualitätskontrolle und akkurate Datenprozesse - essenziell für Data Scientists
- EDA-Projekt für praxisnahe Anwendung von Data Science Methoden
Machine Learning für Data Scientists
- Überwachtes Lernen: Klassifikation, Regression sowie Modelltraining durch Data Scientists
- Optimierung von Modellen via Regularisierung, Cross-Validation und Grid Search
- Vergleich und Bewertung von ML-Modellen für unterschiedliche Data Science Aufgaben
- Teamprojekt zur Kreation effektiver ML-Lösungen durch Data Scientists in Ausbildung
Fortgeschrittene Künstliche Intelligenz & Deep Learning
- Nutzung von AI Frameworks, wie Tensorflow und Keras, zur Modellproduktion
- Unüberwachtes Lernen, Clusterbildung, Dimensionsreduktion und Zeitreihenanalyse
- NLP, neuronale Netze und Transfer Learning für komplexe AI-Aufgaben
- Berücksichtigung ethischer Aspekte und nachhaltiger AI-Nutzung durch Data Scientists
Capstone-Projekt: Praktische Anwendung der Methoden
- Durchführung eines vollständigen Data Science Projekts von der Datenerfassung zur Präsentation
- Agile Projektmethoden und strukturierte Entwicklungsphasen anwenden
- Integration aller gelernten Methoden in ein produktionsähnliches Data Product
- Präsentation mit Schwerpunkt auf Business Value & AI-Nutzung durch Data Scientist Teams