DATA SCIENCE BOOTCAMP 2023

Montag

In diesem Teil der Schulung lernen Sie die Grundlagen: wie ist das Feld Data Science entstanden, welche Möglichkeiten bieten Datenanalyse und Data Mining, was verbirgt sich hinter Predictive Analytics und welche Aufgaben hat ein Data Scientist.

Auch als Anfänger ohne Vorkenntnisse können Sie in diesem Teil des Seminars gut einsteigen. Sie lernen den typischen Ablauf von Data Science-Projekten und führen selbst ein erstes Praxisprojekt durch. Fragestellungen aus Ihrem Unternehmen können Sie gerne für die Diskussion mitbringen. Schon ab dem erbringen Sie mit dem Projekt und Prüfungsfragen im Multiple-Choice-Format Leistungen, die für den Abschluss als Zertifizierter Data Scientist am Ende der Woche zählen.

• Data Science: das Feld im Überblick
• Einordnung und Abgrenzung: Data Science, Data Mining, Maschinelles Lernen, Künstliche Intelligenz, Deep Learning und Predictive Analytics
• Skillset für die Arbeit als Data Scientist und die angrenzenden Berufe Data Engineer und Business Analyst
• Wie lernen Maschinen? Funktionsweise des Machine Learning
• Regression und Klassifikation
• Strukturierte und unstrukturierte Daten
• Zuordnen von Use Cases zu Methoden
• Modellvalidierung
• Explorative Analyse
• Data Science Workflow

Dienstag und Mittwoch

Wie lernen Algorithmen, wie wähle ich das richtige Modell und wie erhalte ich präzise Vorhersagen? Maschinelles Lernen steht im Fokus der Tage 2 und 3 der Data Science Weiterbildung. Auch hier lernen Sie die Theorie und setzen diese anschließend in der Praxis an Echtdaten um: dafür zeichnen wir Daten mit Hilfe von Bewegungssensoren auf und erkennen anschließend Stöße – eine Anwendung, die beispielsweise in der Logistik von Bedeutung ist, aber genauso werden die Sensoren im Fitness-Armband eingesetzt. Die Methoden, die Sie lernen sind aber nicht auf eine Branche beschränkt: die gleichen Modelle können auch in der Finanzbranche, im Online-Marketing, im Ingenieursbereich usw. zum Einsatz kommen.

Für die Übungen haben wir aus unserer Erfahrung sowie aus weltweiten Umfragen unter Data Scientist diejenigen Modelle ausgewählt, die Sie in der Praxis am häufigsten benötigen. So können Sie sicher sein, dass Sie das Gelernte in Wirtschaft und Industrie direkt zum Einsatz bringen können.

Selbstlernende Algorithmen können für völlig unterschiedliche Fragestellungen trainiert werden. Nachdem sie aus Daten gelernt haben, erlauben Sie Prognosen, unterstützen Entscheidungen oder finden neue Zusammenhänge. Ein Crashkurs zu den Tools versetzt Sie in die Lage, eigene Fragestellungen zu behandeln. Mit den Prüfungsfragen zum Machine Learning bringen Sie weitere Leistungen für Ihre Zertifizierung.

• Supervised Learning für Predictive Analytics
• Unsupervised Learning und Data Mining
• Lineare und logistische Regression
• Decision Trees, Random Forests, Boosting
• Clustering-Methoden
• Wahl des richtigen Modells in Abhängigkeit von Daten und Aufgabenstellung
• Erkennung von Overfitting und Strategien dagegen
• Interpretierbarkeit von Vorhersagen
• Hyperparameter
• Modellvalidierung und die Verlustfunktion
• Die wichtigsten Tools und Methoden des maschinellen Lernens
• Python für Machine Learning
• Anbindung von Datenquellen
• Praxisprojekt: Entwicklung und Validierung eines eigenen Vorhersagemodells

Donnerstag und Freitag

Die künstliche Intelligenz hat durch tiefe neuronale Netze, das Deep Learning, in den letzten Jahren erstaunliche Fortschritte gemacht. Diesem spannenden Bereich widmet sich der letzte Schulungsteil des Zertifikatskurses. An den Bootcamp-Tagen 4 und 5 lernen Sie die Theorie künstlicher neuronaler Netze und den Einsatz für KI-Anwendungen mit Hilfe von Tools wie TensorFlow und Keras von Google. Sie entwickeln selbst neuronale Netze für Mustererkennung und Vorhersagen.

Bedeutende Fortschritte wurden mit Deep Learning in der Spracherkennung und Bilderkennung gemacht, aber auch für Zeitreihen und viele andere Daten hat sich Deep Learning zu einer der wichtigsten Methoden entwickelt gehört somit zum Portfolio der fortgeschrittenen Kenntnisse eines Data Scientist.

Auch an den letzten beiden Tagen des Seminars bearbeiten Sie wieder ein Praxisprojekt und beweisen in den letzten Prüfungsfragen, was Sie in der intensiven Woche gelernt haben. Sie schließen nach der erfolgreichen Bearbeitung mit der Zertifizierung zum Data Scientist die Weiterbildung ab.

• Deep Learning als Teilgebiet von maschinellem Lernen und künstlicher Intelligenz
• Funktionen, Anzahl und Größe der Layer
• Feedforward-Netz
• Nichtlineare Aktivierungsfunktionen
• Verlustfunktion (Loss Function)
• Stochastischer Gradientenabstieg
• Backpropagation-Algorithmus
• Tool-Überblick: TensorFlow, Keras, Python, Jupyter Notebooks, R, RStudio …
• Regularisierung im Deep Learning zur Vermeidung von Overfitting
• Fortgeschrittene Netzarchitekturen im Überblick am Beispiel von ConvNets
• Praxisprojekt Deep Learning

(Das Programm ist vorläufig und wird bis zum Kursbeginn ggf. noch aktualisiert.)