Data Science und Data Analytics Kurs

Lektion 1 • Das Analytik-Spektrum

Stellt deskriptive, diagnostische, prädiktive und präskriptive Analytik vor. Die Studierenden ordnen jeden Typ Geschäftsfragen und erwarteten Ergebnissen zu.

Lektion 2 • Was Data Science ist

Definiert Data Science, seinen Umfang und wie es sich von Statistik und Softwareentwicklung unterscheidet. Etabliert das Vokabular, das im gesamten Kurs verwendet wird.

Lektion 3 • Datentypen und -strukturen

Behandelt strukturierte, semistrukturierte und unstrukturierte Datenformate. Verbindet das Bewusstsein für Datentypen mit der Auswahl geeigneter Tools und Methoden.

Lektion 1 • NoSQL- und Cloud-Speicheroptionen

Untersucht dokumenten-, schlüssel-wert- und spaltenorientierte NoSQL-Stores sowie Cloud-Objektspeicher. Die Studierenden wählen Speichertypen basierend auf Datenvolumen und Abfragemustern aus.

Lektion 2 • Primäre und sekundäre Datenquellen

Unterscheidet zwischen Daten erster, zweiter und dritter Partei und deren Abwägungen. Verankert die Quellenauswahl in Kriterien der Zuverlässigkeit und Relevanz.

Lektion 3 • Aufbau einfacher Datenpipelines

Kombiniert Sammel- und Speicherfähigkeiten zu automatisierten Aufnahmeworkflows. Die Studierenden schreiben Skripte, die Daten zuverlässig extrahieren, transformieren und laden.

Lektion 4 • Web Scraping und APIs

Lehrt den programmatischen Datenabruf mithilfe von REST-APIs und HTML-Scraping. Die Studierenden extrahieren und parsen reale Daten aus live Webquellen.

Lektion 1 • Techniken der Datentransformation

Wendet Normalisierung, Standardisierung, Kodierung und Binning zur Feature-Vorbereitung an. Verbindet Transformationen mit den Kompatibilitätsanforderungen nachgelagerter Modelle.

Lektion 2 • Umformen und Zusammenführen von Datensätzen

Lehrt Pivotieren, Schmelzen, Verketten und Zusammenführen mehrerer DataFrames. Die Studierenden konsolidieren Daten aus mehreren Quellen zu einheitlichen Analysetabellen.

Lektion 3 • Grundlagen der explorativen Datenanalyse

Verwendet zusammenfassende Statistiken und Verteilungen, um Dataset-Eigenschaften zu verstehen. Bietet die diagnostische Linse, die vor jeder Bereinigung benötigt wird.

Lektion 4 • Umgang mit fehlenden und beschädigten Daten

Behandelt Erkennungs-, Imputations- und Entfernungsstrategien für unvollständige Datensätze. Die Studierenden wählen Methoden basierend auf den Mechanismen des Fehlens (MCAR, MAR, MNAR).

Lektion 1 • Prinzipien effektiver Visualisierung

Behandelt Wahrnehmungsprinzipien, Diagrammauswahl und häufige Fallstricke bei der Visualisierung. Verankert Designentscheidungen in Publikumsverständnis und Datenintegrität.

Lektion 2 • Interaktive Visualisierung mit Plotly

Erstellt mit Hover ausgestattete, zoombare Diagramme und Dashboards mit Plotly und Dash. Erweitert statische Fähigkeiten um webbasierte, benutzergesteuerte Exploration.

Lektion 3 • Data Storytelling und Präsentation

Strukturiert analytische Ergebnisse in kohärente Erzählungen für Führungskräfte. Die Studierenden erstellen Folienpräsentationen und Berichte, die Entscheidungen vorantreiben.

Lektion 4 • Georäumliche und multivariate Visualisierungen

Führt in Choroplethenkarten, Heatmaps und parallele Koordinaten für komplexe Daten ein. Die Studierenden visualisieren räumliche und hochdimensionale Beziehungen effektiv.

Lektion 1 • Rahmenwerk für Hypothesentests

Führt Null- und Alternativhypothesen, p-Werte und Fehler 1. und 2. Art ein. Die Studierenden wenden das Rahmenwerk auf reale geschäftliche und wissenschaftliche Fragen an.

Lektion 2 • Häufige statistische Tests

Wendet t-Tests, Chi-Quadrat, ANOVA und Mann-Whitney-Tests auf geeignete Datentypen an. Die Studierenden wählen Tests basierend auf Datenskala und Verteilungsannahmen aus.

Lektion 3 • Korrelations- und Regressionsanalyse

Misst lineare Beziehungen und erstellt einfache und multiple Regressionsmodelle. Bildet die Brücke von der deskriptiven Statistik zur später eingeführten prädiktiven Modellierung.

Lektion 4 • Wahrscheinlichkeit und Verteilungen

Behandelt Wahrscheinlichkeitsregeln, Zufallsvariablen und wichtige Verteilungen (Normal-, Binomial-, Poisson-Verteilung). Liefert die mathematische Grundlage für alle Inferenzarbeiten.

Lektion 1 • Regressionsalgorithmen

Erweitert die lineare Regression um regularisierte Modelle (Ridge, Lasso) und baumbasierte Regressoren. Die Studierenden sagen kontinuierliche Ergebnisse voraus und interpretieren Koeffizienten.

Lektion 2 • Kernkonzepte und Workflow des maschinellen Lernens

Definiert Trainings-, Validierungs- und Testaufteilungen, Bias-Varianz-Dilemma und Überanpassung. Etabliert die End-to-End-ML-Pipeline, die in jedem nachfolgenden Modell verwendet wird.

Lektion 3 • Modellbewertung und -auswahl

Verwendet Kreuzvalidierung, Konfusionsmatrizen, ROC-AUC und RMSE zur Bewertung von Modellen. Die Studierenden wählen das beste Modell für eine gegebene Aufgabe anhand objektiver Metriken aus.

Lektion 4 • Klassifikationsalgorithmen

Behandelt logistische Regression, Entscheidungsbäume, k-NN und Support Vector Machines. Die Studierenden trainieren und vergleichen Klassifikatoren auf gelabelten Datensätzen.

Lektion 1 • Hyperparameter-Optimierung

Wendet Grid Search, Random Search und Bayesianische Optimierung zur Modellabstimmung an. Die Studierenden automatisieren die Abstimmung und dokumentieren Leistungssteigerungen systematisch.

Lektion 2 • Grundlagen neuronaler Netze

Baut Feedforward-Netzwerke mit Keras auf, die Schichten, Aktivierungen und Backpropagation abdecken. Verbindet die Mechanik neuronaler Netze mit den folgenden Deep-Learning-Modellen.

Lektion 3 • Grundlagen der natürlichen Sprachverarbeitung

Behandelt Tokenisierung, TF-IDF, Wort-Embeddings und transformerbasierte Klassifikation. Die Studierenden bauen Textklassifikatoren und Stimmungsanalysatoren.

Lektion 4 • Ensemble-Methoden

Behandelt Bagging, Boosting und Stacking mit Random Forest, XGBoost und LightGBM. Die Studierenden stimmen Ensembles ab, um eine hochmoderne tabellarische Leistung zu erzielen.

Lektion 1 • Erstellen von REST-APIs für Modelle

Verpackt trainierte Modelle in FastAPI-Endpunkte für Echtzeit-Inferenz. Die Studierenden testen, dokumentieren und sichern Vorhersage-APIs.

Lektion 2 • Modellverpackung und Serialisierung

Speichert und lädt Modelle mit pickle, joblib und ONNX für Portabilität. Stellt Reproduzierbarkeit über Umgebungen und Teammitglieder hinweg sicher.

Lektion 3 • Containerisierung mit Docker

Verpackt Modell-APIs in Docker-Container für konsistente, portable Bereitstellung. Die Studierenden schreiben Dockerfiles und verwalten Images für ML-Dienste.

Lektion 4 • Cloud-Bereitstellung und Skalierung

Stellt containerisierte Modelle auf Cloud-Plattformen mithilfe verwalteter Dienste bereit. Die Studierenden konfigurieren automatische Skalierung und Lastverteilung für Produktionstraffic.