- Überblick über Rollen in Data Science und AI
- Verständnis von Artificial Intelligence, Machine Learning und Deep Learning
- Erstellen erster Python-Skripte und gemeinsames Arbeiten mit Git
- Verwendung von UNIX- und Git-Tools in Data Science Projekten
Datenverarbeitung und Analyse
- Datenverarbeitung mit Pandas, Numpy und SQL
- Extraktion und Bereinigung von Daten aus Datenbanken
- Visualisierung und Interpretation von Datensätzen
- explorative Datenanalyse zur Nutzung von Business Value
Machine Learning Anwendungen
- Anwendung Supervised Learning mit Klassifikations- und Regressionsmethoden
- Modellbewertung und Techniken zur Optimierung
- Kollaboratives Machine Learning Projekt mit Git
- Einschätzung der Modellgüte aus Sicht der Stakeholder
Fortgeschrittene Techniken in AI und Deep Learning
- Unsupervised Learning, Clustering und Methoden der Zeitreihenanalyse
- Nutzung von Künstlichen Neuronalen Netzwerken
- Arbeit mit NLP, Transfer Learning, Tensorflow und Keras in Data Science
- Verwendung von Deep Learning in realen Szenarien
Data Science Lebenszyklus & Abschlussprojekt
- Verwendung agiler Methoden im Projektmanagement
- Durchführung eines End-to-End Data Science Projekts
- Gruppenzusammenarbeit bei realen Daten-wissenschaftlichen Herausforderungen
- Einsetzen von A/B-Testing zur Modellverbesserung