- Umfassendes Verständnis der grundlegenden Prinzipien und fortgeschrittenen Methoden für Datenwissenschaft und Datenanalyse
- Vertiefte Kenntnisse in Datenwissenschaft, maschinellem Lernen, Deep Learning, Python, Datenmodellierung und Datenvisualisierung
Einstieg in die Datenwissenschaft und Python
- Überblick über die Rolle von Data Science und die Wichtigkeit der Versionskontrolle in gemeinschaftlichen datengesteuerten Projekten
- Python als dominante Programmiersprache für Data Science und Entwicklung maschinellen Lernens
- Funktion von Git und GitHub bei der Codeversionierung und Zusammenarbeit an Data-Science-Projekten
- Git-Repositorys einrichten und effektive Nutzung der Versionskontrolle in Data-Science-Workflows
Grundlagen von Git für die Datenarbeit
- Verwendung von Git-Befehlen: clone, commit, push, pull und branch zur Codeänderungsverwaltung
- Erarbeitung von Branches für die Zusammenarbeit zur Sicherstellung eines reibungslosen Teamwork bei Data-Science-Projekten
- Lösung von Merge-Konflikten und best practices für eine saubere Codebasis
- GitHub als Plattform zur Speicherung, Freigabe und Überprüfung von Code in einem Team
Teamarbeit beim Codieren in der Datenwissenschaft
- Empfohlene Praktiken für Zusammenarbeit bei Machine-Learning- und Data-Science-Projekten über GitHub
- Verständnis der GitHub-Workflows: Pull-Anfragen, Forking und Code-Reviews in Teamumgebungen
- Entwicklung und Aufrechterhaltung von Dokumentationen für Code, Datenanalyse und Modellentwicklungen
- Nutzung von GitHub Actions zur Automatisierung datenwissenschaftlicher Aufgaben wie Modelltraining und Deployment
Versionskontrolle in Machine Learning
- Relevanz der Versionierung in Machine-Learning-Experimenten, einschließlich Modellkonfigurationen und Datensätzen
- Verwaltung von Pipelines und Abhängigkeiten mithilfe der Versionskontrolle im maschinellen Lernen
- Nutzung von Git und GitHub zum Verfolgen und Organisieren von Änderungen in Modellen und Datensätzen
- Best practices für die Versionsverwaltung für die Veröffentlichung von KI- und Data-Science-Modellen