Die Weiterbildung Data Scientist vermittelt berufsbezogene Kenntnisse und Fertigkeiten für die Arbeit mit Datenanalyse, Datenverarbeitung, Data Science, Machine Learning und analytischer Modellierung. Teilnehmende lernen, große Datenmengen strukturiert aufzubereiten, zu analysieren, zu visualisieren und datenbasierte Modelle zu entwickeln.
Im Mittelpunkt stehen typische Aufgaben eines Data Scientist: die Analyse komplexer Datensätze, die Anwendung statistischer Methoden, die Entwicklung von Machine-Learning-Modellen, die Arbeit mit Python und SQL sowie die verständliche Aufbereitung und Präsentation von Analyseergebnissen für datenbasierte Entscheidungen.
Die Weiterbildung verbindet technisches Grundlagenwissen mit praktischen Übungen. Teilnehmende arbeiten unter anderem mit Python, Pandas, NumPy, SQL, Tableau, Matplotlib, Seaborn und Plotly. Ergänzend werden Kenntnisse zu Data Engineering, Cloud-Plattformen, Apache Airflow, Spark, API-Nutzung, agilem Projektmanagement, KI-gestützten Werkzeugen und Nachhaltigkeit in der IT vermittelt.
Die Inhalte werden durch Praxistage und ein Abschlussprojekt vertieft. Im Abschlussprojekt bearbeiten die Teilnehmenden eine praxisnahe Data-Science-Aufgabe von der Datenbeschaffung über Datenaufbereitung, Analyse, Visualisierung und Modellierung bis zur Präsentation der Ergebnisse.
Lehrinhalte- Allgemeines Technologieverständnis und Data-Science-Grundlagen: Python-Umgebung, Unix, Git, GitHub, Einführung in Datenanalyse, Data Science, Data Engineering und typische Aufgaben im Tätigkeitsfeld Data Scientist
- Python für Data Science: Programmiergrundlagen, Variablentypen, Kontrollstrukturen, Datenstrukturen, Funktionen, Pandas, NumPy, Datenmanipulation, Datenbereinigung und Visualisierung
- Datenbanken, SQL und Data Visualization: SQL-Abfragen, Arbeit mit Datenbanken, Visualisierung von Daten mit Tableau, Matplotlib, Seaborn und Plotly, Erstellung von Diagrammen, Reports und Dashboards
- Machine Learning und analytische Modellierung: Regressionsmodelle, Klassifikationsmodelle, Modellbewertung, Zeitreihenanalyse, Natural Language Processing und Umsetzung von Machine-Learning-Modellen mit Python
- Fortgeschrittene Data-Science-Kompetenzen: Cloud-Grundlagen mit AWS und Azure, Apache Airflow, Spark, API-Nutzung, Data Pipelines, agiles Projektmanagement und Einsatz KI-gestützter Werkzeuge
- Nachhaltigkeit in der IT: ökologische, soziale und wirtschaftliche Nachhaltigkeit, nachhaltiges IT-Service-Management und ressourcenschonender Umgang mit digitalen Technologien
- Praxistage: Bearbeitung praxisnaher Aufgaben aus Data Science, Datenanalyse, Datenverarbeitung, Visualisierung, Machine Learning und statistischer Modellierung
- Abschlussprojekt: eigenständiges Data-Science-Projekt mit Datenbeschaffung, Datenaufbereitung, Analyse, Visualisierung, Modellierung und Präsentation der Ergebnisse