- Überblick über Data Science Konzepte, AI, Machine Learning und Künstliche Intelligenz
- Anwendungsfelder von Data Science in Forschung, Sozialwissenschaften und Wirtschaft
- Einführung in Python, UNIX und Git für akademisch geprägte Projekte
- Nutzung von GitHub zur kollaborativen Entwicklung datenbasierter Lösungen
Analytisches Arbeiten mit Data Science Tools
- Umgang mit Pandas, Numpy und SQL zur explorativen Datenanalyse
- Methoden zur Aufbereitung, Visualisierung und Interpretation wissenschaftlicher Daten
- Entwicklung reproduzierbarer Analysen mit Fokus auf Research-Qualität
- EDA-Projekt mit Business Transfer - von Rohdaten zur datenbasierten Empfehlung
Machine Learning für akademische Kontexte
- Einführung in Klassifikation, Regression und Modellvalidierung
- Erstellen von erklärbaren ML-Modellen für analytisch fundierte Entscheidungen
- Methoden der Evaluierung und Regularisierung im Data Science Umfeld
- Teamprojekt zur Umsetzung forschungsnaher AI-Anwendungen
Deep Learning und Künstliche Intelligenz in der Forschung
- Nutzung neuronaler Netze, Transfer Learning und NLP für Textanalyse
- Einblick in Deep Learning Frameworks wie Tensorflow & Keras
- Unsupervised Learning und Zeitreihenanalysen für empirische Forschung
- Ethik in AI und verantwortungsbewusster Umgang mit sensibler Data
Capstone-Projekt & Einstieg in die Data Science Praxis
- Individuelle Projekte basierend auf realen oder akademischen Data Sets
- Agile Methoden zur Strukturierung interdisziplinärer Data Science Projekte
- Präsentation datengetriebener Erkenntnisse für wissenschaftliches und nicht-technisches Publikum
- Karrierepfade für Quereinsteiger:innen und Wissenschaftler:innen im Data Science Bereich
Der Kurs vermittelt eine Einführung in Data Science Tools wie Pandas, Numpy, SQL und stellt Methoden für die Entwicklung analytischer ML-Modelle vor.