Data Practitioner: Teams für IT-Practitioner-Projekte

Git Data & Collaborative Coding in der Datenwissenschaft

Diese Schulung soll ein tiefgreifendes Verständnis der grundlegenden Konzepte und fortgeschrittenen Techniken vermitteln, die für Datenwissenschaft und -analyse erforderlich sind. Sie vermittelt Kenntnisse in Datenwissenschaft, maschinellem Lernen (ML), Deep Learning, Python, Datenmodellierung und Datenvisualisierung.

• Überblick über Data Science und die Bedeutung der Versionskontrolle bei kollaborativen datengesteuerten Projekten
• Einführung in Python als primäre Programmiersprache für Data Science und die Entwicklung maschinellen Lernens
• Die Rolle von Git und GitHub bei der Verwaltung von Codeversionen, der Zusammenarbeit an Data-Science-Projekten und der Aufrechterhaltung der Codeintegrität
• Einrichten von Git-Repositorys und effektive Nutzung der Versionskontrolle in Data Science-Workflows

• Einführung in die Befehle von Git: clone, commit, push, pull und branch zur Verwaltung von Codeänderungen
• Erstellen und Verwalten von Branches für die Zusammenarbeit, um eine reibungslose Teamarbeit bei Data Science-Projekten zu gewährleisten
• Auflösen von Merge-Konflikten und bewährte Verfahren zur sauberen und organisierten Codebasis
• Verwenden von GitHub zum Speichern, Freigeben und Überprüfen von Code in einer kollaborativen Umgebung

• Bewährte Verfahren für die Zusammenarbeit bei Machine Learning- und Data Science-Projekten mit GitHub
• Verständnis von GitHub-Workflows wie Pull-Anfragen, Forking und Code-Reviews in einer Teamumgebung
• Erstellung und Pflege von Dokumentationen für Code, Datenanalyse und Modellentwicklung
• Verwendung von GitHub Actions zur Automatisierung von datenwissenschaftlichen Aufgaben wie Modelltraining und -bereitstellung

• Die Bedeutung der Versionierung in Machine-Learning-Experimenten, einschließlich Modellkonfigurationen und Datensätzen
• Verwaltung von Pipelines und Abhängigkeiten für maschinelles Lernen mithilfe der Versionskontrolle
• Verwendung von Git und GitHub zur Nachverfolgung und Verwaltung von Änderungen in Modellen, Datensätzen und Experimenten für maschinelles Lernen
• Bewährte Verfahren für die Versionsverwaltung im Zusammenhang mit der Bereitstellung von KI- und Data Science-Modellen