Diplomlehrgang Data Science und Business Analytics - Online

Bei Data Science führen wir Datenanalysen durch, um aus Zahlen neue Erkenntnisse zu gewinnen. Heute nutzt man hierzu oft Machine Learning. Es muss aber nicht immer Machine Learning sein, um aus Daten neue Erkenntnisse zu gewinnen. Oft reicht es, Daten zu visualisieren oder Daten über eine deskriptive Statistik zusammenzufassen. Python ist hierbei seit vielen Jahren das Werk zeug Nr. 1, denn Python ist sehr mächtig und gleichzeitig einfach zu erlernen.

Nach einer Einführung in Python wird in dem Modul dann auch die Arbeit mit tabellarischen Daten über die mächtige Python-Bibliothek Pandas vermittelt und gezeigt, wie man deskriptive Statistiken erstellt und mit Matplotlib zudem für ausgewählte Daten verschiedene Diagrammtypen zur Visualisierung sehr leicht erzeugen kann. 

Künstliche Intelligenz ist auch ein Hype-Thema. Umso wichtiger ist es, dass man genau versteht, was sich hinter den Begriffen Künstliche Intelligenz, Maschinelles Lernen, Deep Learning und Neuronale Netze eigentlich genau verbirgt und wie diese Gebiete in Beziehung zueinanderstehen. Maschinelles Lernen ist zudem ein riesiges Gebiet.

Daher werden wir uns die verschiedenen Teilgebiete des Maschinellen Lernens genauer anschauen. Ein Highlight in diesem Modul ist die Anwendung eines wichtigen Machine-Learning-Verfahrens auf reale Daten, um aus bestehenden Daten aus der Vergangenheit zu lernen, wie man zukünftige Werte vorhersagen kann.

Das heute erfolgreichste Gebiet des Maschinellen Lernens heißt „Deep Learning“. Deep Learning ist ein anderer Begriff für künstliche neuronale Netze mit vielen Schichten. Und: Deep Learning hat sich bewiesen! Es kann für reale Probleme Lösungen liefern und damit in Unternehmen aus 
Daten einen Mehrwert schaffen.

Wir werden uns nicht nur mit der Geschichte des Deep Learnings beschäftigen und der Frage, wieso es erst jetzt zu dem Durchbruch kam, sondern werden neuronale Netze auch ganz konkret auf realen Daten trainieren und anwenden. Hierbei hilft uns die mächtige Deep-Learning Bibliothek „TensorFlow“ von Google, die auch im eigenen Unternehmen frei anwendbar ist. 

Nachdem wir in den beiden vorherigen Modulen die Themenbereiche Machine Learning und Deep Learning kennengelernt haben, werden wir uns in diesem Modul weitere wichtige klassische Machine-Learning-Modelle (z.B. Gradient Boosting) und vor allem neuere Deep Learning Modelle ansehen, z.B. CNNs, Transformer.

Anhand von konkreten Fallbeispielen werden wir verstehen, wie diese Deep-Learning-Modelle heute Probleme im Bereich der Bildverarbeitung (z.B. Bildklassifikation) oder im Bereich des Natural-Language-Processings / Textverarbeitung (z.B. Sentiment Analysis) lösen können. Im Rahmen einer weiteren Fallstudie sehen und verstehen wir dann, wie man Zeitreihen mit Deep-Learning-Verfahren analysieren kann.

Dieses Modul führt Sie in die dynamische Welt von Big Data ein, wo Sie die Grundlagen und die immer wichtiger werdende Rolle von großen Datenmengen in der modernen Datenverarbeitung erkunden. Anschaulich wird ein Überblick über aktuelle Big Data Software und Lösungen geboten; der Sie mit den führenden Technologien und Werkzeugen vertraut macht. 

Ein weiterer zentraler Bestandteil des Moduls ist die Einführung in Datenbanken, wobei verschiedene Arten von Datenbanken und ihre jeweiligen Eigenschaften beleuchtet werden. Besonderes Augenmerk liegt auf einer praxisnahen Fallstudie: Hier lernen Sie, wie man effektiv mit Datenbanken aus Python heraus arbeiten kann, um Daten für Data Science und Machine Learning zu verbinden, zu analysieren und daraus neue Erkenntnisse zu gewinnen. Dieses Modul stellt eine unverzichtbare Ressource dar, um die Fähigkeiten zu entwickeln, die für das Verständnis und die Nutzung von Big Data in verschiedenen beruflichen Kontexten erforderlich sind. 

In diesem Modul tauchen wir in die innovative Welt des AutoML und des Cloud-basierten Machine Learnings ein. Der Schwerpunkt liegt hier auf dem Verständnis und der Anwendung von automatisierten Verfahren zur Trainingsdurchführung und Modellauswahl.

Sie werden in ein führendes AutoML-Framework, wie zum Beispiel AutoGluon, eingeführt, um praktische Erfahrungen in einem der zentralen Tools des Gebiets zu sammeln. Zusätzlich werden Machine Learning-Anwendungen in der Cloud untersucht, wobei die Vorteile dieser Technologien 
in Bezug auf Skalierbarkeit und Zugänglichkeit hervorgehoben werden. Ein Kernstück des Moduls ist eine praxisorientierte Fallstudie, in der Sie ein konkretes Unternehmensproblem mit AutoML lösen und so die reale Anwendbarkeit dieser Techniken erleben. Dieses Modul zielt darauf ab, ein tiefgehendes Verständnis für AutoML und cloud-basiertes Machine Learning zu fördern und bereitet Sie darauf vor, diese fortschrittlichen Technologien in verschiedenen professionellen Szenarien anzuwenden.