1. Grundlagen Data Analytics mit Python

• Arbeiten mit dem Data Lab
• Grundlagen und Konzepte in Python
• Vorstellung der Tools pandas, matplotlib uns Seaborn
• Datenbankanfragen mir SQL Alchemy

2. Lineare Algebra

• Mathematische Hintergründe
• Grundbegriffe der linearen Algebra
• Berechnung mit Vektoren und Matrizen
• Einsatz der Python-Bibliothek numpy

3. Wahrscheinlichkeitsverteilung

• Statistik in Data-Science-Algorithmen
• Diskrete und kontinuierliche Verteilungen
• Versionierung von Code in Git

4. Überwachtes Lernen (Regression)

• Lineare Regression einsetzen
• Einsatz des Python-Pakets sklearn
• Regressionsmodelle verstehen
• Evaluation der Prognosen
• Bias-Variance-Trade-Off und Regularisierung
• Messung der Modellgüte

5. Überwachtes Lernen (Klassifikation)

• Konzepte des Supervised Learning
• Einführung in Klassifikationsalgorithmen
• Der k-Nearest-Neighbors-Algorithmus
• Einschätzung der Klassifikationsperformance
• Optimierung der Parameter
• Aufteilung der Daten in Trainings- und Evaluationssets

6. Unüberwachtes Lernen (Clustering)

• Konzepte des Unsupervised Learning
• Der k-Means-Algorithmus
• Evaluation der Performance-Metriken
• Alternativen zum k-Means-Clustering

7. Unüberwachtes Lernen (Dimensionsreduktion)

• Dimensionen in der Datenbetrachtung reduzieren
• Principal Component Analysis (PCA)
• Unkorrelierte Features aus Ursprungsdaten erzeugen
• Einführung in Feature Engineering

8. Ausreißer identifizieren und ausschließen

• Methoden zur Erkennung von Ausreißern
• Kriterien ungewöhnlicher Datenpunkte
• Robuste Maße und Reduktion der Einflüsse durch Ausreißer

9. Daten sammeln und zusammenführen

• Daten aus Webseiten und PDF-Dokumenten auslesen
• Einsatz von Regulären Ausdrücken
• Textdaten vor der Verarbeitung strukturieren

10. Logistische Regression

• Konzepte der logistischen Regression
• Performance-Metriken zur Evaluation
• Nicht-numerische Daten in Modellen einsetzen

11. Entscheidungsbäume und Random Forests

• Das Konzept der Decision Trees
• Mehrere Modelle zu Ensembles kombinieren
• Methoden zur Verbesserung der Vorhersage-Qualität

12. Support Vector Machines

• Einsatz von Support Vector Machines (SVM)
• Einführung in Natural Language Processing (NLP)
• Textklassifikation mit Bag-of-Words-Modellen

13. Neuronale Netze

• Grundlagen künstliche neuronaler Netze (KNN)
• Grundlagen des Deep Learnings
• Tieferes Verständnis der Schichten in KNN

14. Visualisierung und Model-Interpretation

• Funktionsweisen von Modellen ableiten und darstellen
• Methoden zur Interpretation und Visualisierung
• Modelagnostische Methoden anwenden

15. Verteilte Datenbanken einsetzen

• Das Python-Paket PySpark einsetzen
• Daten aus verteilten Datenbanken auslesen
• Grundlagen von Big-Data-Analysen
• Machine-Learning-Algorithmen in verteilten Systemen nutzen

16. Übungsprojekt

• Umfassenden Übungsprojekt selbstständig bearbeiten
• Prädiktionsproblem mithilfe eines größeren Datensets lösen
• Vorbereitung für das Abschlussprojekt

17. Abschlussprojekt

• Selbstständige Analyse des Datenprojekts
• Ergebnispräsentation und 1:1-Feedbackgespräch mit Mentoring-Team
• Erhalt des Zertifikats zum Data Scientist mit Python