- Basiswissen zu Data, Data Science, AI, Artificial Intelligence und Künstlicher Intelligenz
- Rollenverständnis: Die Data Scientist Modelle erstellen und evaluieren
- Technische Kenntnisse in Python, Git, GitHub und UNIX für Projekte
- Strukturierter Ansatz beim Data Science Lifecycle für Modellentwicklung
Methoden der Datenanalyse & Feature Engineering
- Explorative Datenanalyse mit Pandas, Numpy sowie SQL
- Data Wrangling und Visualisierung zur Merkmalerstellung für genaue Modelle
- Identifikation von Korrelationen, Ausreißern und Mustererkennung
- Vorbereitung für modellabweichbare Data Sets
Machine Learning Methoden für Data Scientist Modelle
- Überwachtes Lernen: Klassifikation und Regression mit Scikit-learn
- Ensemble-Methoden, Cross-Validation sowie Hyperparameter-Tuning
- Bewertung von Modellen mit Metriken wie Accuracy, AUC, F1
- Einbindung von Machine Learning Modellen in reale Data Science Projekte
Tiefes Lernen & AI-Tools zur Modellverbesserung
- Erstellen neuronaler Netze mithilfe von Tensorflow und Keras
- Nutzung von Transfer Learning, CNNs, NLP und Time Series Modellen
- Interpretation und Optimierung von Modellen mit fortgeschrittener AI
- Künstliche Intelligenz zur Automatisierung von Modellierungsprozessen
Projektarbeit: Data Science Modellentwicklung
- Komplette Entwicklung eines Data Scientist Modells im Team
- Einsatz von agilen Methoden zur Planung, Umsetzung sowie Iteration
- Dokumentation, Versionierung und Darstellung datengesteuerter Modelle
- Wertschöpfung durch Business Value, AI-Nutzen und Künstliche Intelligenz im Modell