Wer als Data Scientist arbeitet, steht regelmäßig vor der Frage, wie aus komplexen Datenlagen belastbare Modelle und Aussagen entstehen. Anforderungen an Methodik, Fachwissen und Kommunikation steigen in Unternehmen kontinuierlich.

!Kursinhalt

!1. Rolle und Arbeitsfelder
*Abgrenzung zu Data Analysts und Engineers
*Typische Fragestellungen in Projekten
*Phasen eines Data-Science-Projekts

!2. Methoden aus Statistik und Machine Learning
*Grundlegende statistische Verfahren
*Supervised und Unsupervised Learning
*Bewertung von Modellen

!3. Werkzeuge und Arbeitsumgebung
*Python und gängige Bibliotheken
*Arbeiten in Notebooks und Skripten
*Versionierung und Reproduzierbarkeit

!4. Kommunikation und Übergabe
*Visualisierung von Ergebnissen
*Erklärbarkeit von Modellen
*Zusammenarbeit mit Fachbereichen und Engineering

!Berufliche Relevanz

*Fundierte Bearbeitung datengetriebener Fragestellungen
*Verbindung zwischen Methodik und Geschäftsnutzen
*Grundlage für Modelle in operativen Prozessen