- Einblick in Data Science, Machine Learning, Künstliche Intelligenz und AI
- Wissenschaftliche und geschäftliche Datenanalyse mit Python, UNIX & Git
- GitHub zur Zusammenarbeit in Code- und Forschungsprojekten
- Überblick über Rollen, Forschungsfälle und datengetriebene Forschung im Data Science Bereich
Wichtige Tools für Data Scientists
- Vertiefte Anwendung von Pandas, Numpy und SQL für Datenverarbeitung durch zukünftige Data Scientists
- Datenvisualisierung, explorative Analyse und Hypothesentests als essentielles Know-how für Data Scientists
- Datenaufbereitung, Datenanpassung und strukturierte Forschungsprojekte im Data Science
- Analysen von Daten mit wissenschaftlichem Fokus im Data Science Kontext
Machine Learning für Forschung und Innovation
- Umsetzung von Klassifikations- und Regressionsmodellen in Forschungsszenarien
- Analyse, Vergleich und Verbesserung von Algorithmen für reproduzierbare Wissenschaft
- Automatisierte Modellierung mit GridSearch, Pipelines und Feature Selection
- Verantwortungsvolle AI Nutzung durch Data Scientists im forschungsgetriebenen Data Science Prozess
AI Frameworks & Deep Learning-Techniken
- Nutzung von Tensorflow, Keras, NLP-Methoden und Transfer Learning
- Unsupervised Learning, Clustering und Dimensionsreduktion für explorative Forschung
- Zeitreihenanalyse und Text Mining im wissenschaftlichen Bereich
- Künstliche Intelligenz zum Modellieren komplexer Datenzusammenhänge in Data Science & Big Data
Data Science Forschungsprojekte
- Eigenes Projekt mit wissenschaftlichem Schwerpunkt, geführt von Data Scientists
- Agile Methoden für die Organisation interdisziplinärer Data Science Forschung
- Erstellung eines datenbasierten Forschungsprototyps mit AI durch Data Scientist Teams
- Ergebnisspräsentation für Fachleute und nicht-technische Beteiligte