- Überblick über die Datenwissenschaft und die Rolle von Clustering zur Musterentdeckung in unstrukturierten Daten
- Einführung in die Python-Programmierung, um wichtige Methoden der Data Science wie Clustering und Zeitreihenanalyse umzusetzen
- Verständnis der Relevanz des maschinellen Lernens für die Verarbeitung von Zeitreihendaten in Data Science Projekten
- Einrichtung von Python-Umgebungen mit Bibliotheken wie Scikit-Learn, Pandas und Statsmodels für Data Science Anwendungen
Clustering-Methoden in der Datenanalyse
- Einführung in Clustering-Algorithmen wie K-Means und DBSCAN zur Gruppierung unstrukturierter Daten
- Praktische Anwendung von Clustering in Data Science Projekten zur Erkennung von Mustern und Segmenten
- Nutzung von Clustering zur Kundenanalyse, Anomalieentdeckung und Marktsegmentierung innerhalb von Data Science
- Bewertung der Clustering-Leistung durch übliche Data Science Metriken wie den Silhouetten-Score
Zeitreihenanalyse in der Data Science
- Einführung in die Zeitreihenanalyse als Kernbereich der Data Science zur Vorhersage von Trends
- Verfahren wie ARIMA und exponentielle Glättung zur Modellierung zeitabhängiger Daten
- Verwendung von Statsmodels und Prophet zur Entwicklung von Prognosemodellen in Data Science Anwendungen
- Interpretation saisonaler und zyklischer Muster zur Verbesserung von Vorhersagen im Data Science Rahmen
NLP-Anwendungen in der modernen Datenwissenschaft
- Überblick über die natürliche Sprachverarbeitung (NLP) als Unterbereich der Data Science zur Analyse von Sprachdaten
- Textklassifikation, Sentimentanalyse und Themenmodellierung mit Python für Data Science Anwendungsfälle
- Einsatz von NLTK, spaCy und Transformers zur Bearbeitung großer Textdatensätze
- Praxisprojekt: Einsatz von NLP bei realen Data Science Szenarien wie der Analyse von Kundenfeedback