Data Science - Methodische Grundlagen

Das Ziel: wertvolle Erkenntnisse aus Daten ziehen. Dafür werden mathematische Grundlagen eingesetzt, um komplexe Modelle zu verstehen und statistische Analysen durchzuführen. Mit dabei: lineare Algebra, Differentialrechnung und Statistik.

• Kalkül
• Integrale Transformationen
• Vektoralgebra
• Vektorrechnung
• Matrizen und Vektorräume
• Informationstheorie

• Einführung in die Statistik
• Wichtige Wahrscheinlichkeitsverteilungen und deren Anwendungen
• Bayessche Statistik
• Beschreibende Statistiken
• Datenvisualisierung
• Parameterschätzung
• Hypothesentests

• Beaufsichtigte, unbeaufsichtigte und verstärkte Lernansätze
• Regression und Klassifizierung von Lernproblemen
• Abschätzung funktionaler Abhängigkeiten mittels Regressionsverfahren
• Daten-Clustering
• Unterstützt Vektor-Maschinen, große Margenklassifizierung
• Lernen in Entscheidungsbäumen

• Einführung in neuronale Netze und Tiefenverdienen
• Netzwerkarchitekturen
• Neuronales Netzwerktraining
• Alternative Trainingsmethoden
• Weitere Netzwerkarchitekturen