Data Science and Analytics
Zertifizierter Data Scientist - Einführung in Data Science and Analytics
Gliederung der Inhalte
- Methoden und Vorgehensweisen im Data Science
- Grundlagen von R
- Datenvisualisierung und explorative Datenanalyse
- Vorverarbeitung und Filterung von Daten
- Datenauswertung mit Methoden des maschinellen Lernens/Künstliche Intelligenz:
- Erstellen und Bewerten von Klassifikationsmodellen
- Erstellen und Bewerten von Clusteringmodellen
- Erstellen und Bewerten von Regressionsmodellen
- Erstellen von Prognosemodellen
Die Kombination aus Präsenzlernen, Blended Learning sowie eigenständiger Projektarbeit stellt das Erlernen praktischer Fähigkeiten mit einschlägigen Analysewerkzeugen in den Vordergrund. An Fallbeispielen mit realen Daten wird Theorie mit praktischer Umsetzung verknüpft.
Business Analysts, Berater/innen, IT-Fachkräfte, IT-Manager/innen, IT-Projektleiter/innen
- Abgeschlossene Berufsausbildung oder abgeschlossenes Hochschulstudium
- Berufserfahrung
1. Wissen
- Konzepte Data Science Prozess und typische Vorgehensweisen kennen
- Grundlegende Methoden des maschinellen Lernens kennen
- Grundlegende Methoden zur Vorberarbeitung und Visualisierung von Daten kennen
2. Verständnis
- Die Einsatzmöglichkeiten und das Potenzial von Methoden des maschinellen Lernens verstehen
- Stärken und Schwächen von verschiedenen Methoden einschätzen können
3. Anwendung
- R für Aufgaben im Bereich Data Science anzuwenden
- Daten zu filtern, zu visualisieren und mit Methoden maschinellen Lernens Modelle zu erstellen
4. Analyse
- Daten explorativ zu analysieren
- Schlüsse aus Daten und deren Auswertung zu ziehen
5. Synthesis
- Verarbeitungsmethoden auszuwählen und fallspezifisch anzupassen
6. Evaluation
- Modelle in Bezug auf ihre Qualität und Eignung zu bewerten
-
Kurs 1008: Digitale Serviceprodukte
- Kurs 1030: Künstliche Intelligenz in der Praxis
- Kurs 1033: Business Analytics and Data Warehousing
- Kurs 1053: Intelligente Datenanalyse mit Python
- Online
- Studienzentrum Freiburg