Die Teilnehmenden erlernen den gezielten Einsatz statistischer Methoden zur Durchführung explorativer Analysen, zur Anwendung von Hypothesentests und zur Identifizierung von Mustern in großen Datensätzen für die Modelloptimierung datengetriebener Machine Learning-Modelle.

Datenbankmanagement mit SQL

SQL ermöglicht die strukturierte Verarbeitung großer Datenmengen. Behandelt werden optimierte Abfragen, Joins und Aggregationen zur effizienten Nutzung relationaler Datenbanken in datengetriebenen Machine Learning-Forschungsprojekten.

Datenvisualisierung

Power BI unterstützt die visuelle Darstellung komplexer Machine Learning-Prozesse.

  • Entwicklung interaktiver Dashboards
  • Nutzung von DAX-Funktionen zur verständlichen Aufbereitung von Modellprognosen und zur präzisen Kommunikation datenbasierter Erkenntnisse

Automatisierung und Datenpipelines

Zur Automatisierung der Datenverarbeitung werden Datenpipelines eingesetzt. Thematisiert werden strukturierte Prozesse zur Harmonisierung und Transformation von Trainingsdaten, um die Qualität, Skalierbarkeit und Effizienz datenwissenschaftlicher Anwendungen zu verbessern.

Maschinelle Lernverfahren

Im Zentrum stehen maschinelle Lernverfahren für unterschiedliche Anwendungsbereiche.

  • Umgang mit Klassifikations-, Regressions- und Clustering-Modellen
  • Optimierung von Algorithmen
  • Gezielter Einsatz datenwissenschaftlicher Erkenntnisse in der Forschung