Grundlagen der Datenwissenschaft
- Verstehen der Prinzipien der Datenwissenschaft
- Einblicke in den Datenwissenschafts-Workflow
- Unterschiede zwischen Datenanalysten und Datenwissenschaftlern
Programmierfähigkeiten für die Datenwissenschaft
- Python: Syntax, Strukturen, Funktionen
- Verwendung von UNIX und Git für Versionierung
- Teamarbeit mit Programmier- und GitHub-Strategien
Einstieg in die explorative Datenanalyse
- Datenbearbeitung mit Pandas und NumPy
- SQL für Datenbankabfragen
- Visualisierung mit Matplotlib und Seaborn
Einführung in das überwachte Lernen
- Klassifizierungs- und Regressionsmethoden
- Bewertung von Modellen: Genauigkeit, Präzision, Rückruf
- Modelloptimierung durch Hyperparameter-Tuning
Kernkonzepte des unüberwachten Lernens und AI
- Techniken des Clustering und Dimensionsreduzierung
- Künstliche neuronale Netze kennenlernen
- Grundlagen für NLP-Ansätze
Praktisches Projekt über maschinelles Lernen
- Analyse echter Datensätze
- Agile Projektmanagement-Methodik
- Ergebnisse für Stakeholder präsentieren