Data Science

Bootcamp

Aufbauend auf der ersten Phase deiner Data Science Fortbildung, wirst du nun mit Tools wie SQL und Pandas zur Extraktion und Manipulation von Daten aus verschiedenen Quellen vertraut gemacht – das können einzelne Dateien, aber auch Datenbanken sein. Nach der Datenmanipulation geht es an die Exploratory Data Analysis (EDA), wofür du verschiedene Visualisierung-Libraries kennenlernen wirst.

Diese Phase wird mit einem zweitägigen Projekt abgeschlossen, das sich auf die EDA konzentriert – natürlich basierend auf realen Datensätzen. Mit dem Fokus auf den Business Case lieferst du fiktiven Stakeholder*innen maßgeschneiderte Empfehlungen und aussagekräftige Visualisierungen.

Nun werden grundlegende Konzepte des supervised Learnings, wie Regression und Klassifikation, behandelt. Du wirst mit der Funktionsweise verschiedener Modelle vertraut, darunter lineare und logistische Regression, lernst Decision Trees und Support Vector Machines kennen. Zudem erfährst du, wann welche Modelle gut eingesetzt werden können und auf welchen Annahmen oder Vereinfachungen die Algorithmen beruhen.

Anschließend bringen wir dir die Modellevaluation bei und welche Kompromisse du bei der Erstellung von Vorhersagemodellen berücksichtigen musst. Alles Erlernte festigst du in einem 4-tägigen Machine-Learning-Gruppenprojekt, das den gesamten Data-Science-Lebenszyklus abdeckt. Gemeinsam legt ihr Meilensteine und die Ziele eures Datenprodukts fest, während ihr kollaborativ mit Git und Github arbeitet – dann wird vor den Stakeholder*innen präsentiert.

Phase 4 deiner Data Scientist*innen Ausbildung: Mit einem grundlegenden Verständnis der statistischen Lerntechniken und der zugrunde liegenden Softwareimplementierung tauchst du nun auch in speziellere Methoden, wie z. B. die Vorhersage von Zeitreihen ein.

In einer Welt, in der ein Großteil der generierten Daten “unlabeled” ist, ist es wichtig, auch die Herausforderungen des unüberwachten Lernens zu bewältigen. Daher erhältst du im Data Science Kurs auch eine Einführung in die hierfür genutzten Techniken, wie Dimensionsreduktion und Clustering.

Um auch ein gutes Verständnis für die Konzepte zu erlangen die heute oft als "KI" bezeichnet werden, erhältst du in Phase 5 der Data Science Fortbildung eine Einführung in künstliche neuronale Netze. Der Aufbau eines eigenen “deep neural networks” wird dein Verständnis der zugrunde liegenden Prozesse und Konzepte verbessern.

Im Zuge dessen werden auch typische Anwendungsbereiche, wie die Verarbeitung natürlicher Sprache und verwandte Techniken, wie z. B. Transfer-Learning behandelt. Dann geht es in die finale Phase deiner Ausbildung zum/zur Data Scientist*in.

Um das Erlernte auch praktisch anzuwenden und Gruppenarbeit, sowie Kollaboration noch mehr zu vertiefen, bietet das Abschlussprojekt den Kontext und die Zeit. Hier arbeitest du in kleinen Gruppen an einem größeren Data Science Problem – von Anfang bis Ende. Hier kann sich jedes Team eine eigene Problemstellung suchen, öffentlich verfügbare Datensätze verwenden oder mit Daten unserer Unternehmenspartner arbeiten, um ein reales Business-Problem zu lösen.

In Team erarbeitet ihr eine Lösung und präsentiert regelmäßig die Zwischenergebnisse. Dabei wendest du alle deine technischen und agilen Kenntnisse an und erlernst weitere, auf das Projekt zugeschnittene, Techniken. Du hast es geschafft. Congrats! 🙌🏼