Data Scientist

✅ Python

• Objektorientierte Programmierung mit Python
• Vektor- und Matrizenoperationen mit Numpy
• Datenmanipulation und -analyse mit Pandas
• Datenvisualisierung mit Matplotlib und Seaborn
• Webscraping mit Beautiful Soup
• Zeitreihen
• Explorative Datenanalyse (EDA)
• Individuelle Projektarbeit

✅ Neuronale Netze / Deep Learning

• Datenaufbereitung mit Sickit-Learn
• Binary Classification mit dem Perceptron
• Multiclass Classification mit Keras
• Multiclass Classification mit PyTorch
• Regression mit Keras
• Regression mit PyTorch
• Erklärbarkeit von Neuronalen Netzen
• Bilderkennung mit Convolutional Neural Networks
• Individuelle Projektarbeit

✅ Machine Learning und Künstliche Intelligenz

• Ausreißererkennung
• Imbalanced Data Handling
• Featureauswahl und Dimensionsreduction mit FRE und PCA
• Der Autoencoder
• Decision Trees
• Clustering mit K-Means und DBSCAN
• Hierarchische Clusteranalyse
• Ensemble Learning via Bagging, Stacking und Boosting
• Bestärkendes Lernen
• Transfer Learning• Individuelle Projektarbeit

✅ Big Data

• Erstellen von Workflows mit KNIME, Low-Code
• Datenaufbereitung mit KNIME
• Datenvisualisierung mit KNIME
• SQL - Datenbanken (MariaDB, PostgreSQL)
• Dokumentenorientierte NoSQL - Datenbank MongoDB
• Grafische Darstellung von Daten mit MongoDB und Neo4jDB
• Datenanalyse und Visualisierung mit Orange
• Individuelle Projektarbeit

✅ Business Intelligence

• Business Intelligence mit Power BI, KNIME und Tableau
• Data Warehousing
• ETL, komplexe Transformationen vs. ELT, Data Warehouse
• ETL mit KNIME, SSIS, Pentaho
• Dimensional Modeling mit Power BI
• Data Transformation mit Power BI und Tableau
• Key Performance Indicator, KPI
• Dashboards in Business Intelligence
• Individuelle Projektarbeit

✅ Künstliche Intelligenz Anwendungen

• Ausreißererkennung
• Imbalanced Data Handling
• Featureauswahl und Dimensionsreduction mit FRE und PCA
• Der Autoencoder
• Decision Trees
• Clustering mit K-Means und DBSCAN
• Hierarchische Clusteranalyse
• Ensemble Learning via Bagging, Stacking und Boosting
• Bestärkendes Lernen
• Transfer Learning• Individuelle Projektarbeit

Zum Abschluss jeder Lerneinheit erstellen Sie eine individuelle Projektarbeit zu einem selbstgewählten Thema.
Diese praktische Aufgabe bietet Ihnen die Gelegenheit, Ihr neu erworbenes Wissen und Ihre technischen Fertigkeiten
in einem realitätsnahen Szenario anzuwenden und zu festigen.
Mit Ihrer Projektarbeit legen Sie den Grundstein für ein überzeugendes Portfolio.

Zusätzlich erarbeiten sich unsere Teilnehmer Datenmengen in Wissen umzuwandeln und dieses Wissen mit Visualisierungen (graphs, tools u.s.w.) transparent zu machen.
Die für das Verständnis von Analyse und Modelling wichtigen Grundlagen wie Statistik, Stochastik und Hypothesen werden ebenfalls vermittelt.
Künstliche Intelligenz Datenbanken (KI-DB) sowie Low-Code Tools für Künstliche Intelligenzanwendungen vollenden die core competences dieser Weiterbildung.
Wir legen Wert auf Ethik und Datenschutz. Die Verantwortung von Datenwissenschaftlern, Datenschutzbestimmungen zu beachten und ethische Überlegungen bei der Arbeit mit Daten zu berücksichtigen wird selbstverständlich vermittelt.
Als Data Scientist implementieren Sie datengetriebene Geschäftsmodelle und erreichen so neue Wertschöpfung nach dem Prinzip von Value-Creation über Value-Delivery zu Value-Capture. Zudem beteiligen sie sich an der Erforschung und Entwicklung von Data Science und Data Analytics.
Fortgeschrittene Techniken, Tools und Künstliche-Intelligenz-Algorithmen, basierend auf Python, der "glue language" der Datenwissenschaft, werden theoretisch und praktisch vermittelt.