Vollständiger Kursplan

Data Science & KI

Diese Weiterbildung führt in 16 Wochen durch den vollständigen Werkzeugkasten der Data Science. Auf einer soliden technischen Basis – Unix-Shell, Python mit Pandas und NumPy, Git und GitHub – bauen die Teilnehmenden systematisch auf: von der explorativen Datenanalyse über die Grundlagen des maschinellen Lernens bis zu Deep Learning, Natural Language Processing und Zeitreihenanalyse.

Zurück zum Kurs
Dauer: 16 Wochen in Vollzeit
Format: Remote oder vor Ort (Berlin) · Vollzeit
Sprache: Englisch, deutschsprachige Kurse verfügbar
Vorkenntnisse: Programmier-Grundlagen und Mathematik
Abschluss: Zertifikat
Förderung: 100 % Bildungsgutschein

Phase 1: Coding-Basiswissen

  • Grundlagen der Unix-Shell und effizientes Arbeiten in der Entwicklungsumgebung.
  • Python von Grund auf: die wichtigsten Bibliotheken wie Pandas und NumPy, erste eigene Programme, sauber strukturierter Code.
  • Kollaboratives Arbeiten mit Git und GitHub: Branching, Versionierung und Pull Requests.
  • Überblick über die Entwicklung der KI, das Zusammenspiel von Machine Learning, Deep Learning und neuronalen Netzen sowie die verschiedenen Datenberufe.

Phase 2: Explorative Datenanalyse

  • Daten mit SQL und Pandas aus verschiedenen Quellen extrahieren und aufbereiten – von einzelnen Dateien bis zu kompletten Datenbanken.
  • Muster und Zusammenhänge sichtbar machen: Visualisierung mit Matplotlib, Seaborn, Plotly und Geo-Tools.
  • Datenbereinigung, Einführung in die Datenethik und Grundlagen von A/B-Tests zur datenbasierten Validierung.
  • Zweitägiges Praxisprojekt: explorative Analyse realer Datensätze mit Empfehlungen und Visualisierungen für fiktive Stakeholder.

Phase 3: Machine-Learning-Grundlagen

  • Überwachtes Lernen mit Regression und Klassifikation: lineare und logistische Regression, Entscheidungsbäume, Random Forests, KNN und Support-Vektor-Maschinen.
  • Unüberwachtes Lernen mit PCA, Clustering und Dimensionsreduktion.
  • Model Tuning und Optimierung: Hyperparameter, Bias-Variance-Trade-off, Regularisierung, Cross-Validation und Gradient Descent.
  • Viertägiges Gruppenprojekt über den gesamten Data-Science-Lifecycle – geplant, umgesetzt und präsentiert im Team.

Phase 4: Advanced Machine Learning

  • Grundlagen des Deep Learnings: wie künstliche neuronale Netze funktionieren und mit TensorFlow und Keras trainiert werden.
  • Natural Language Processing: wie Computer menschliche Sprache verstehen und verarbeiten.
  • Zeitreihenanalyse für Prognosen auf Basis zeitabhängiger Daten.
  • Einblicke ins Machine Learning Engineering: Modelle bereitstellen, Performance überwachen, Ergebnisse über Dashboards und Cloud-Deployment zugänglich machen.

Phase 5: Capstone-Projekt & Abschlusspräsentation

  • Vier Wochen Teamarbeit an einem kompletten Predictive-Modeling-Projekt – von der Datenaufbereitung über das Training bis zur Bereitstellung.
  • Vertiefung in Deep Learning und Transfer Learning mit vortrainierten Modellen aus Repositories wie Hugging Face.
  • Deployment in Produktionsumgebungen, Performance-Monitoring und Dashboards.
  • Abschlusspräsentation vor fiktiven Stakeholdern – Datenkommunikation als Kernkompetenz.
Bildungsgutschein beantragen