Teilnehmende entwickeln strukturierte Prozesse zur Datenbereinigung, Harmonisierung und Vorbereitung, um Workflows für Machine Learning-Modelle zu automatisieren und gezielte Optimierungen durchzuführen.
Datenmanagement und Workflow-Automatisierung- Entwicklung strukturierter Prozesse zur Datenbereinigung, Harmonisierung und Vorbereitung
- Automatisierung von Datenpipelines für effizientes Modelltraining und gezielte Optimierung
Datenbankabfragen und SQL
- Präzise Analyse und Aufbereitung großer Datenmengen mittels SQL
- Optimierte Abfragen, Joins und Aggregationen
- Gezielte Nutzbarmachung strukturierter Datensätze für datengetriebene Vorhersagemodelle
Explorative Datenanalyse (EDA) und Feature-Selektion
- Auswahl relevanter Features
- Statistische Methoden zur Feature-Selektion
- Durchführung von Hypothesentests zur fundierten Modelloptimierung
Maschinelles Lernen und Modellierung
- Umfassende Vermittlung von Maschinellem Lernen
- Behandlung von Klassifikations-, Regressions- und Clustering-Modellen
- Algorithmische Feinabstimmung
- Strategischer Einsatz datenwissenschaftlicher Methoden in verschiedenen Anwendungsszenarien
Visualisierung von Ergebnissen (Power BI)
- Unterstützung der Visualisierung von Machine Learning-Ergebnissen durch Power BI
- Erstellung interaktiver Dashboards
- Nutzung von DAX-Funktionen zur verständlichen Darstellung von Modellprognosen
- Wirkungsvolle Kommunikation datenwissenschaftlicher Erkenntnisse