Konzepte und Methoden im Machine Learning
  • Vertiefung der Kenntnisse im Bereich Data Science mit Einführung in Neuronale Netze
  • K-nearest-neighbor-Klassifizierung
  • Transfer Learning als Bestandteil von Data Science
  • Datenvisualisierung geographischer Daten
  • Information, Entropie und Informationsgewinn mit Bezug zu Data Science
  • Lineare Regression
  • K-fache Kreuzvalidierung in Data Science Projekten
  • Algorithmische Komplexität
  • Aspekte der Datenreinigung im Rahmen von Data Science
  • Praxisarbeit: Programmierung Neuronales Netzwerk
  • Dreidimensionale Plots als Visualisierungstool für Data Science
  • Bagging und Boosting

Statistik, Modellierung und Programmiertechniken
  • Grundlegende statistische Kenngrößen in Data Science Anwendungen
  • Erzeugung synthetischer Daten
  • Clustering-Methoden und ihr Einsatz im Kontext von Data Science
  • K-Means Clustering
  • Logistische Regression als Technik der Data Science
  • Hyperparameteroptimierung
  • Datenskalierung innerhalb von Data Science Prozessen
  • Signalübertragung in Neuronalen Netzen
  • Decision Trees mit Fokus auf Data Science Analysen
  • Einführung in Pandas und Dataframes
  • Automatische Bilderkennung im Data Science Umfeld
  • Regression Trees