Datenwissenschaft
( 24 Module )

Modul #1
Einführung in Data Science
Überblick über Data Science, Bedeutung und Anwendungen

Modul #2
Data Science-Prozess
Den Data Science-Prozess verstehen: Problemdefinition, Datenerfassung, -bereinigung, -analyse und -visualisierung

Modul #3
Python für Data Science
Einführung in die Programmiersprache Python und ihre Bibliotheken für Data Science (NumPy, Pandas usw.)

Modul #4
Datenvorverarbeitung
Umgang mit fehlenden Werten, Datennormalisierung, Merkmalsskalierung und Datentransformation

Modul #5
Datenvisualisierung
Einführung in die Datenvisualisierung mit Matplotlib und Seaborn

Modul #6
Deskriptive Statistik
Maße für zentrale Tendenz, Variabilität und Datenverteilung

Modul #7
Inferenzstatistik
Hypothesentests, Konfidenzintervalle und p-Werte

Modul #8
Regressionsanalyse
Einfache und multiple lineare Regression, Regressionsannahmen und Modellbewertung

Modul #9
Feature Engineering
Featureauswahl, Extraktions- und Erstellungstechniken

Modul #10
Überwachtes Lernen
Einführung in überwachtes Lernen, Klassifizierung und Regression

Modul #11
Unüberwachtes Lernen
Einführung in unüberwachtes Lernen, Clustering und Dimensionsreduzierung

Modul #12
Modellbewertung
Metriken zur Bewertung der Modellleistung, Überanpassung und Unteranpassung

Modul #13
Entscheidungsbäume und Zufallswälder
Einführung in Entscheidungsbäume und Zufallswälder, Vorteile und Einschränkungen

Modul #14
Support Vector Machines
Einführung in Support Vector Machines, Kernel-Trick und SVM-Typen

Modul #15
Neuronale Netzwerke
Einführung in neuronale Netzwerke, Perzeptron und mehrschichtiges Perzeptron

Modul #16
Deep Learning
Einführung in Deep Learning, Convolutional Neural Networks und Recurrent Neural Networks

Modul #17
Natürliche Sprachverarbeitung
Einführung in natürliche Sprachverarbeitung, Textvorverarbeitung und Textdarstellung

Modul #18
Big Data und NoSQL Datenbanken
Einführung in Big Data, das Hadoop-Ökosystem und NoSQL-Datenbanken

Modul #19
Data Storytelling
Effektive Kommunikation von Erkenntnissen und Ergebnissen mithilfe von Datenvisualisierung und Storytelling

Modul #20
Data Science Tools und Technologien
Einführung in Data Science Tools und Technologien, Jupyter Notebooks und Git

Modul #21
Fallstudie 1: Regressionsanalyse
Anwendung der Regressionsanalyse auf ein reales Problem

Modul #22
Fallstudie 2: Klassifizierung
Anwendung von Klassifizierungstechniken auf ein reales Problem

Modul #23
Fallstudie 3: Clustering
Anwendung von Clustering-Techniken auf ein reales Problem

Modul #24
Kursabschluss und Schlussfolgerung
Planen Sie die nächsten Schritte in Ihrer Data Science-Karriere

Bereit zu lernen, zu teilen und zu konkurrieren?