- Überblick über Rollen im Bereich DataScience und Künstliche Intelligenz
- Verständnis von Artificial Intelligence, Machine Learning und Deep Learning
- Erste Python-Skripte schreiben und mit Git kollaborativ arbeiten
- Nutzung von UNIX- und Git-Tools für DataScience-Projekte
Datenanalyse und Datenvorbereitung
- Arbeiten mit Pandas, Numpy und SQL zur Datenverarbeitung
- Daten aus Datenbanken extrahieren und bereinigen
- Visualisierung und Interpretation von Datensätzen
- Exploratory-Data-Analysis (EDA) zur Ableitung von Business Value
Machine Learning in der Praxis
- Supervised Learning mit Klassifikations- und Regressionsalgorithmen
- Modellbewertung, Regularisierung und Optimierungstechniken
- Machine Learning Projekt mit Git-Kollaboration und Präsentation
- Verständnis der Modellgüte aus Sicht der Stakeholder
Fortgeschrittene AI- und Deep Learning-Techniken
- Unsupervised Learning, Clustering und Zeitreihenanalyse
- Arbeiten mit künstlichen neuronalen Netzen (Künstliche Intelligenz)
- NLP, Transfer Learning, Tensorflow und Keras in DataScience
- Anwendung von Deep Learning in realen Szenarien
Capstone Projekt & DataScience Lifecycle
- Agile Methoden und Projektplanung in AI-Projekten
- End-to-End DataScience Projekt mit Präsentation
- Zusammenarbeit in Gruppen zu realen Data Herausforderungen
- Anwendung von A/B-Testing zur Optimierung von Modellen
Teilnehmer erlernen DataScience Konzepte durch praktische Anwendung von Python, Pandas und Tensorflow in Projekten und Datenanalyse.