Data Science Masterclass

Im Fokus steht die Vermittlung von Fachwissen in Statistik, Mathematik, Informatik und Machine Learning. Die Teilnehmenden lernen komplexe Datenstrukturen zu analysieren und zu interpretieren, um damit datengetriebene Entscheidungen zu treffen und innovative Lösungen zu entwickeln. Zudem werden Einblicke in neueste Technologien und Methoden im Bereich Künstlicher Intelligenz gegeben.

• 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

• Innovationsmanagement und Entrepreneurship in einer globalisierten Welt
• Grundlagen des Entrepreneurship
• Geschäftsidee und Unternehmensgründung
• Finanzierungsquellen und Finanzierungsprozesse
• Internet, Digitales Business, und künstliche Intelligenz
• Strategische Allianzen
• Familienunternehmen 

• In diesem Modul werden die Weiterbildenden über die aktuellen gesellschaftlichen und politischen Auswirkungen der Anwendung von datenwissenschaftlichen Modellen nachdenken. Zu diesem Zweck werden relevante Themen durch Artikel vorgestellt, die von den Weiterbildenden in Form eines schriftlichen Aufsatzes kritisch bewertet werden. 

• Anwendungsfallbewertung
• Modellzentrierte Auswertung
• Geschäftszentrierte Bewertung
• Überwachung
• Vermeidung gängiger Irrtümer
• Veränderungsmanagement

• In diesem Kurs wählen die Weiterbildenden aus einer Vielzahl von Möglichkeiten eine Projektaufgabe aus. Ziel ist es, ein datenwissenschaftliches Modell oder System prototypisch in einer geeigneten Entwicklungsumgebung zu implementieren. Die Wahl des Ansatzes, das implementierte System oder die implementierte Software und die daraus resultierende Leistung bei der Aufgabe sind zu begründen, zu erklären und in einem Projektbericht zu dokumentieren.