- Grundlegende Datenwissenschaft, AI, Machine Learning und Künstliche Intelligenz
- Einsatzgebiete von Data Science in Forschung, Sozialwissenschaften und Wirtschaft
- Basiswissen zu Python, UNIX und Git für wissenschaftliche Projekte
- GitHub als Plattform für die kollaborative Entwicklung datengestützter Lösungen
Analytische Fertigkeiten und Data Science Tools
- Verwendung von Pandas, Numpy und SQL für explorative Datenanalyse
- Techniken für die Verarbeitung, Visualisierung und Interpretation von Daten
- Aufbau reproduzierbarer Analysen mit Schwerpunkt auf Research-Qualität
- EDA-Projekt mit Business Transfer von Rohdaten zu datenbasierten Empfehlungen
Machine Learning im akademischen Kontext
- Klassifikation, Regression und Modellvalidierung als Einführung
- Entwicklung erklärbarer ML-Modelle für datenbasierte Entscheidungen
- Evaluierungs- und Regularisierungsmethoden im Data Science Bereich
- Teamprojekt zur Entwicklung anwendungsnaher AI-Projekte in der Forschung
Deep Learning und Künstliche Intelligenz für die Forschung
- Anwendung von neuronalen Netzen, Transfer Learning und NLP zur Textanalyse
- Überblick über Deep Learning Frameworks wie Tensorflow & Keras
- Unsupervised Learning und Zeitreihenanalyse für empirische Forschung
- Ethik in AI und gewissenhafter Umgang mit sensiblen Daten
Capstone-Projekt & Praxis in Data Science
- Individuelle Projekte auf Basis realer oder akademischer Datensätze
- Agile Vorgehensweisen zur Strukturierung interdisziplinärer Data Science Projekte
- Darstellung datengesteuerter Erkenntnisse für unterschiedliche Zielgruppen
- Karrierewege für Quereinsteiger:innen und Forscher:innen im Bereich Data Science