Der Kurs "Data Science" bei Codillas richtet sich an Personen, die eine berufliche Zukunft im Bereich Datenanalyse, Machine Learning und künstlicher Intelligenz anstreben oder ihre vorhandenen IT-Kenntnisse deutlich erweitern möchten. Die Weiterbildung dauert sechs Monate und umfasst 904 Unterrichtseinheiten im Vollzeit-Remote-Unterricht. Die Teilnehmenden erwerben umfassende Kompetenzen in Datenanalyse, Statistik, Programmierung mit Python, Datenbanken, Machine Learning, Deep Learning und der praktischen Anwendung moderner KI-Verfahren. Durch praxisnahe Übungen, umfangreiche Projektarbeit und realistische Datenszenarien werden sie optimal darauf vorbereitet, als Data Scientist in Unternehmen datengetriebene Entscheidungen zu unterstützen, Modelle zu entwickeln und komplexe Datenprobleme zu lösen.
Der Kurs umfasst folgende Module:
1. Einführung in Data Science
Grundlagen der Datenwissenschaft, Python-Basics, Arbeiten mit NumPy und Pandas. Einführung in Datenformate, Datenqualität, erste Datenanalysen sowie typische Workflows eines Data Scientists.
2. Datenanalyse
Statistische Grundlagen, explorative Datenanalyse (EDA), Datenvisualisierung mit Matplotlib & Seaborn, Identifikation von Mustern und Zusammenhängen in Datensätzen. Fokus auf analytisches Denken und Dateninterpretation.
3. Datenbanken & SQL
Relationale Datenbanken, SQL-Abfragen, Tabellenverknüpfungen, Normalisierung und Datenextraktion. Die Teilnehmenden lernen, Daten aus realen Systemen effizient zu sammeln, zu filtern und aufzubereiten.
4. Python für Data Science
Fortgeschrittene Python-Kenntnisse: Funktionen, OOP, APIs, Web Scraping, Datenpipelines. Ziel ist es, automatisierte Datenverarbeitung und flexible Datenanalyse in Python umzusetzen.
5. Machine Learning (Teil 1)
Einführung in maschinelles Lernen mit scikit-learn, supervised learning, Regression, Klassifikation, Modelltraining und -optimierung. Anwendung von ML in praxisnahen Szenarien.
6. Machine Learning (Teil 2)
Clustering und unüberwachtes Lernen, Modellbewertung, Cross-Validation, Pipelines und automatisierte Workflows. Stärkung der Fähigkeit, ML-Modelle professionell aufzubauen und zu evaluieren.
7. Deep Learning
Neuronale Netze, TensorFlow/Keras, CNNs, NLP und moderne Deep-Learning-Architekturen. Einsatz neuronaler Netze in Bild-, Text-, Sprach- und Zeitreihenanalyse.
8. Projektarbeit
Anwendung aller erlernten Fähigkeiten in einem realitätsnahen End-to-End-Data-Science-Projekt. Datensammlung, Bereinigung, Modellierung, Bewertung und Präsentation der Ergebnisse. Fokus auf Selbstständigkeit und professionelle Dokumentation.
9. Vertiefung & Praxis
Individuelle Wiederholung, gezielte Vertiefung schwieriger Themen, praktische Übungsaufgaben, Vorbereitung auf das Abschlussprojekt und Stärkung der Problemlösungsfähigkeiten.
10. Berufseinstieg & Bewerbung
Erstellung professioneller Bewerbungsunterlagen, GitHub-Portfolio, Vorbereitung auf technische Interviews, typische Data-Science-Aufgaben und Karriereorientierung im Datenbereich.
11. Abschluss & Zertifizierung
Projektpräsentation, Feedbackrunden, Abschlussprüfung und Zertifikatserteilung. Dokumentation der erworbenen Data-Science-Kompetenzen.