- Einblick in die Arbeit von Data Scientists mit AI, Machine Learning und Deep Learning
- Basiswissen in Python, Git und Unix für Data Science Aufgaben
- Zusammenarbeit durch GitHub und Versionskontrolle verstehen
- Abgrenzung zwischen Daten, Machine Learning und Künstliche Intelligenz
Datenanalyse und Visualisierungsfähigkeiten
- Pandas, Numpy und SQL für Datenmanipulation und Analyse
- Visualisierungen mit Python-Bibliotheken erstellen
- Konzepte wie Data Wrangling, Datenbereinigung und Datenethik
- EDA-Projekt, das den Geschäftswert und die Stakeholder-Präsentation berücksichtigt
Supervised Learning und Grundlagen des Machine Learning
- Einsatz von Regressions- und Klassifikationsmethoden wie Logistic Regression und Decision Trees
- Optimierung, Regularisierung und Bewertung im Data Science-Bereich
- Machine Learning Projekt mit Fokus auf Teamarbeit über Git
- Generative AI in der Datenwissenschaft anwenden
Erweiterte AI: Unsupervised Learning und Deep Learning Grundlagen
- Techniken für Dimensionsreduktion, Clustering und Zeitreihenanalyse
- Grundlagen künstlicher neuronaler Netze in der Praxis anwenden
- Einblick in Convolutional Neural Networks, Transfer Learning, TensorFlow und Keras
- Verwendung von NLP in der Artificial Intelligence
Capstone Projekt & Agile Methoden in der Data Science
- Data Science Lifecycle im realen Projektumfeld umsetzen
- Teamarbeit unterstützen, agile Methoden und Projektmanagement in Data Science
- Erstellung eines Projekts mit offenen oder Unternehmensdaten
- Abschlusspräsentation mit Fokus auf Data, AI und geschäftliche Relevanz