Kurs Data-Science-Engineering

Lektion 1 • Datentypen und Speicherformate

Behandelt strukturierte, semi-strukturierte und unstrukturierte Datenformate sowie deren Speichersysteme. Bereitet die Teilnehmer darauf vor, verschiedene Datenquellen zu importieren.

Lektion 2 • Auffrischung Mathematik und Statistik

Wiederholt lineare Algebra, Analysis und Wahrscheinlichkeitsrechnung, die für die Modellierung unerlässlich sind. Bietet die quantitative Grundlage, die für alle nachfolgenden Kapitel erforderlich ist.

Lektion 3 • Python für Data Science

Führt in die Python-Syntax, Datenstrukturen und wissenschaftliche Bibliotheken ein. Ermöglicht es den Teilnehmern, von Anfang an reproduzierbare Analysescripts zu schreiben.

Lektion 1 • Datentransformation und -umformung

Wendet Aggregation, Pivotierung, Merging und Kodierung an, um Daten für die Analyse umzustrukturieren. Überbrückt rohe Daten zu featurefähigen Formaten.

Lektion 2 • Explorative Datenanalyse

Lehrt die systematische Profilerstellung von Datensätzen, um Verteilungen, Ausreißer und Beziehungen zu erkennen. Treibt fundierte Entscheidungen über Bereinigung und Feature Engineering.

Lektion 3 • Datenerfassungsmethoden

Behandelt Web Scraping, API-Aufrufe und Datenbankabfragen als primäre Strategien zur Datengewinnung und verbindet die Datenbeschaffung mit dem nachgelagerten Pipeline-Design.

Lektion 4 • Datenbereinigung und -imputation

Behandelt fehlende Werte, Duplikate, inkonsistente Formate und fehlerhafte Einträge. Stellt die Datenintegrität sicher, bevor die Modellierung beginnt.

Lektion 1 • A/B-Tests und Experimentieren

Entwirft kontrollierte Experimente, berechnet Stichprobengrößen und interpretiert Ergebnisse korrekt. Direkt anwendbar auf Produkt- und Business-Analytics-Rollen.

Lektion 2 • Grundlagen der Bayes'schen Inferenz

Führt in A-priori- und A-posteriori-Verteilungen sowie das Bayes'sche Update als alternatives Inferenzparadigma ein. Bereitet die Teilnehmer auf die probabilistische Modellierung in späteren Kapiteln vor.

Lektion 3 • Rahmenwerk für Hypothesentests

Behandelt Null- und Alternativhypothesen, p-Werte und Fehlerarten für rigorose Tests. Verbindet statistische Signifikanz mit praktischer Entscheidungsfindung.

Lektion 1 • Klassifikationsmodelle

Trainiert logistische Regression, Entscheidungsbäume und Support Vector Machines für kategoriale Zielvariablen. Behandelt Klassenungleichgewicht und Schwellenwertauswahl.

Lektion 2 • Grundlagen des maschinellen Lernens

Definiert überwachtes Lernen, den Bias-Variance-Tradeoff und das Train-Test-Split-Paradigma. Etabliert den konzeptionellen Rahmen für alle Modellierungskapitel.

Lektion 3 • Regressionsmodelle

Behandelt lineare, polynomiale und regularisierte Regression für die Vorhersage kontinuierlicher Zielvariablen. Schafft Intuition für Modellkoeffizienten und Regularisierungsstrafen.

Lektion 4 • Hyperparameter-Optimierung und Modellauswahl

Wendet Grid Search, Random Search und Bayes'sche Optimierung an, um die Modellleistung zu maximieren. Lehrt prinzipientreuen Modellvergleich und -auswahl.

Lektion 1 • Assoziationsregel-Lernen

Extrahiert häufige Itemsets und Assoziationsregeln, um Co-Occurrence-Muster aufzudecken. Unterstützt Anwendungen in der Empfehlung und Warenkorbanalyse.

Lektion 2 • Techniken zur Dimensionsreduktion

Wendet PCA, t-SNE und UMAP an, um den Merkmalsraum zu reduzieren und gleichzeitig die Struktur zu erhalten. Ermöglicht Visualisierung und beschleunigt die nachgelagerte Modellierung.

Lektion 3 • Anomalieerkennung

Identifiziert Ausreißer und seltene Ereignisse mithilfe statistischer und modellbasierter Ansätze. Direkt anwendbar auf Szenarien der Betrugserkennung und Qualitätskontrolle.

Lektion 1 • Methoden zur Merkmalsauswahl

Wendet Filter-, Wrapper- und eingebettete Methoden an, um die aussagekräftigsten Merkmale zu identifizieren. Reduziert die Dimensionalität und verhindert Overfitting.

Lektion 2 • Fairness- und Bias-Auditing

Erkennt und mindert demografische Verzerrungen in Modellvorhersagen mithilfe von Fairness-Metriken. Stellt sicher, dass Modelle ethischen und organisatorischen Standards entsprechen.

Lektion 3 • Modellagnostische Interpretierbarkeit

Verwendet SHAP und LIME, um einzelne Vorhersagen und das globale Modellverhalten zu erklären. Schafft Vertrauen bei Stakeholdern und unterstützt die Einhaltung gesetzlicher Vorschriften.

Lektion 1 • Grundlagen neuronaler Netze

Erklärt Perzepte, Aktivierungsfunktionen, Vorwärtspropagation und Rückpropagation. Bietet die mathematische Grundlage für alle Deep-Learning-Architekturen.

Lektion 2 • Rekurrente neuronale Netze und Sequenzen

Trainiert RNNs, LSTMs und GRUs für sequentielle Daten und Zeitreihen. Verbindet Sequenzmodellierung mit NLP- und Prognoseanwendungen.

Lektion 3 • Transformer-Architektur und Aufmerksamkeit

Führt in Self-Attention, Multi-Head Attention und den Transformer-Block als Rückgrat moderner NLP ein. Bereitet die Teilnehmer auf das Fine-Tuning großer Sprachmodelle vor.

Lektion 4 • Trainingsoptimierung und Regularisierung

Wendet Batch-Normalisierung, Dropout, Lernratenplanung und Early Stopping an, um das Training zu stabilisieren. Reduziert Overfitting in tiefen Modellen.

Lektion 1 • Modellüberwachung und Drift-Erkennung

Verfolgt die Vorhersagequalität, Daten-Drift und Concept-Drift in der Produktion, um die Modellzuverlässigkeit zu erhalten. Löst Warnungen und Nachtraining aus, wenn die Leistung nachlässt.

Lektion 2 • CI/CD für maschinelles Lernen

Automatisiert das Testen, Validieren und Bereitstellen von ML-Pipelines mithilfe von Continuous-Integration-Praktiken. Reduziert manuelle Fehler und beschleunigt Release-Zyklen.

Lektion 3 • Skalierbare ML-Infrastruktur

Entwirft verteilte Trainings- und Inferenz-Infrastruktur mithilfe von Cloud-nativen und Orchestrierungswerkzeugen. Bereitet die Teilnehmer auf das Design von ML-Systemen im Unternehmensmaßstab vor.

Lektion 4 • Experiment-Tracking und Modell-Registry

Protokolliert Parameter, Metriken und Artefakte mithilfe von Experiment-Tracking-Tools und Modell-Registries. Ermöglicht Reproduzierbarkeit und teamübergreifende Zusammenarbeit bei der Modellentwicklung.