Lernorganisation, Zusammenarbeit in Gruppen, Nutzung digitaler Arbeitsumgebungen, Einrichtung und Nutzung von Entwicklungs- und Kollaborationswerkzeugen für datengetriebene Projektarbeit.
Grundlagen Datenanalyse und Datenverständnis:Datenarten und Datenqualität, Datenaufbereitung und Bereinigung, strukturierte Auswertung, Kennzahlen und Grundbegriffe der Statistik, nachvollziehbare Dokumentation von Analyseschritten.
Python-Grundlagen für Datenanalyse:Programmierlogik, Datentypen, Variablen, Ein- und Ausgabe, Kontrollstrukturen, Standardfunktionen, Arbeiten mit Dateien und Pfaden, Nutzung von Bibliotheken, virtuelle Umgebungen und Paketverwaltung.
Effizientes Programmieren: Funktionen und Module:Eigene Funktionen entwickeln, Parameter und Rückgabewerte, modulare Programmstruktur, Wiederverwendbarkeit von Code, Fehlerbehandlung (Exceptions), Debugging-Grundlagen, Nutzung von Standardbibliotheken.
Datenbanken (SQL/NoSQL) und Datenzugriff:Datenmodelle verstehen, relationale und nicht-relationale Konzepte unterscheiden, CRUD-Operationen durchführen, Abfragen formulieren, Datenbankzugriffe in Python integrieren, Datenhaltung mit objektorientierten Strukturen verbinden, einfache Datenflüsse und Datenpipelines entwickeln.
Objektorientierte Programmierung und Analyse-Anwendungen:Klassen und Objekte erstellen, Vererbung und Polymorphie anwenden, strukturierte Anwendungslogik für Analyseprozesse umsetzen, einfache Oberflächen zur Datenerfassung oder Ergebnisdarstellung entwickeln, Ereignissteuerung und Mehrfensterkonzepte.
Machine-Learning-Grundlagen:Zentrale Begriffe und Verfahren, Datenaufbereitung, Feature-Bildung, Arbeiten mit Vektoren, Matrizen und Tabellen, Einsatz typischer ML-Bibliotheken, Statistikgrundlagen (Verteilungen, Kennzahlen, Korrelation), Einführung in Textverarbeitung und Natural Language Processing.
Visualisierung und Data Pipelines:Daten explorieren und visualisieren, Visualisierungen erstellen, ETL-Schritte planen und umsetzen (Extraktion, Transformation, Laden), Daten über Schnittstellen beziehen, REST-APIs nutzen, Grundlagen skalierbarer Datenverarbeitung und Big-Data-Konzepte.
Deep Learning und Modellbewertung:Aufbau neuronaler Netze, Modellarchitekturen auswählen, Training und Evaluierung, Overfitting erkennen und Gegenmaßnahmen anwenden, Einordnung verteilter Verarbeitungsprinzipien (z. B. MapReduce), Grundlagen der Bereitstellung von Modellen (Export, Schnittstellenanbindung, Nutzung in Anwendungen).
Abschlussprojekt (Datenanalyse und KI):Projektplanung, Datenbeschaffung und -aufbereitung, Durchführung einer datenanalytischen Auswertung, Entwicklung und Bewertung eines Machine-Learning- oder Deep-Learning-Modells, Ergebnisinterpretation, Dokumentation und Präsentation der Projektarbeit, theoretische Abschlussprüfung.