"!Einführung in Data Science und Künstliche Intelligenz
- Verständnis der Rolle von Data Scientists und dem Einsatz von AI, Machine Learning und Deep Learning
- Grundlagen von Python, Git und Unix zur Vorbereitung auf Data Science Anwendungen
- Einführung in kollaboratives Arbeiten mit GitHub und Versionskontrolle
- Unterschiede zwischen Data, AI, Machine Learning und Künstlicher Intelligenz verstehen
Explorative Datenanalyse und Datenvisualisierung
- Nutzung von Pandas, Numpy und SQL für Datenmanipulation und Analyse
- Erstellung aussagekräftiger Visualisierungen mit Python-Libraries
- Verständnis von Data Wrangling, Datenethik und Datenbereinigung
- EDA-Projekt mit Fokus auf Business Value und Präsentation für Stakeholder
Supervised Learning und Machine Learning Grundlagen
- Verwendung von Regressions- und Klassifikationsalgorithmen (z. B. Logistic Regression, Decision Trees)
- Optimierung, Regularisierung und Modellbewertung im Data Science-Kontext
- Umsetzung eines Machine Learning Projekts inklusive Git-basiertem Teamwork
- Arbeiten mit Generative AI im Rahmen von Data Science
Advanced AI: Unsupervised Learning und Deep Learning
- Techniken zur Dimensionsreduktion, Clustering und Zeitreihenanalyse
- Grundlagen künstlicher neuronaler Netze und deren Anwendung in der Praxis
- Einführung in Convolutional Neural Networks, Transfer Learning, TensorFlow und Keras
- NLP-Anwendungen im Bereich Artificial Intelligence
Capstone Projekt & Agile Data Science Methoden
- Anwendung der Data Science Lifecycle im realen Projektumfeld
- Teamarbeit, agile Methoden und Projektmanagement im Data Science-Kontext
- Praxisprojekt mit öffentlich zugänglichen oder Unternehmensdaten
- Abschlusspräsentation mit Fokus auf Data, AI und Business Relevanz"
Die Teilnehmer lernen, wie sie Data Science Anwendungen mit grundlegenden und fortgeschrittenen Methoden der Künstlichen Intelligenz und des Machine Learnings umsetzen.