- Basisverständnis von Data Science, AI, Artificial Intelligence und Machine Learning
- Bedeutung der Rolle eines Data Scientist für datengetriebene Organisationen und Qualitätsabläufe
- Wichtige Aspekte von Datenqualität, Datenintegrität und Datenethik im Bereich der datenwissenschaftlichen Analysen
- Arbeitsumgebung mit Python, UNIX, Git und GitHub für professionelle Datenverarbeitungsprozesse von Data Scientists
Techniken & Werkzeuge zur Verbesserung der Datenqualität
- Umfassendes Data Profiling, Data Auditing und Data Cleaning unter Verwendung von Pandas und Numpy
- Bearbeitung und Validierung strukturierter Daten mit SQL für Data Scientists
- Erkennung und Management von Anomalien und inkonsistenter Daten
- Automatisierte Regelsets zur Sicherstellung der Datenkonsistenz in Data Science Projekten
Einfluss der Datenqualität auf Machine Learning Methoden
- Wichtige Rolle der Datenqualität für Modellleistung und AI-Ergebnisse in der Arbeit von Data Scientists
- Strategien für Fehlermanagement, Imputation und Feature Engineering mit Schwerpunkt auf Datenqualität
- Modellevaluation in Bezug auf Datenverzerrung und Bias im Data Science Umfeld
- Anwendung von Methoden der Data Science mit dem Ziel sauberer Daten für präzise Ergebnisse
Qualitätsintensive Datenverarbeitung in AI & Deep Learning
- Einsatz von AI Frameworks wie Tensorflow und Keras auf Datensätzen mit hoher Datenqualität
- Unsupervised Learning und Clustering von Data Scientists bei gesicherter Datenqualität
- NLP und Transfer Learning ausschließlich mit geprüfter und konsistenter Daten
- Skalierbare KI-Anwendungen in einer sauberen, datengetriebenen Data Science Umgebung
Projektarbeit: Sicherung der Datenqualität in Data Science Projekten
- Design und Umsetzung von Projekten zur Qualitätssicherung durch Teams aus Data Scientists
- Agile Projektumsetzung mit Versionskontrolle und Dokumentation via GitHub
- Eingliederung von Qualitätsstrategien in den gesamten Data Science Lebenszyklus
- Präsentation eines Prototyps unter Fokussierung auf Daten, AI und Qualitätssicherung durch zukünftige Data Scientists