Data Science & AI Weiterbildung

Aufbauend auf den Grundlagen aus der ersten Phase deines Data Science & AI Bootcamps wirst du nun mit Werkzeugen wie SQL und Pandas vertraut gemacht, um Daten aus verschiedenen Quellen zu extrahieren und zu manipulieren – von einzelnen Dateien bis hin zu kompletten Datenbanken. Nach der Aufbereitung und Bereinigung deiner Daten vertiefst du dein Wissen in der explorativen Datenanalyse (EDA), um Muster und Zusammenhänge in komplexen Datensätzen sichtbar zu machen.

In dieser Phase lernst du verschiedene Visualisierungsbibliotheken kennen, darunter Matplotlib, Seaborn, Plotly sowie Tools für Geo-Visualisierungen, um aussagekräftige und ansprechende Darstellungen deiner Ergebnisse zu erstellen. Außerdem beschäftigst du dich mit Techniken zur Datenbereinigung, erhältst eine Einführung in die Datenethik und lernst die Grundlagen von A/B-Tests, um Entscheidungen und Hypothesen datenbasiert zu validieren.

Die Phase endet mit einem zweitägigen Projekt, das sich auf die explorative Datenanalyse mit realen Datensätzen konzentriert. Mit Fokus auf den Business Case entwickelst du maßgeschneiderte Empfehlungen und überzeugende Visualisierungen, die deine Ergebnisse für fiktive Stakeholder verständlich und nachvollziehbar präsentieren.

In dieser Phase beschäftigst du dich intensiv mit den Grundlagen des maschinellen Lernens. Du lernst die wichtigsten Konzepte des überwachten Lernens kennen, darunter Regression und Klassifizierung. Dabei wirst du mit verschiedenen Modellen vertraut gemacht, wie der linearen und logistischen Regression, Entscheidungsbäumen, Random Forests, k-Nearest Neighbors (KNN) und Support-Vektor-Maschinen. Außerdem erfährst du, wann welches Modell sinnvoll ist und auf welchen Annahmen oder Vereinfachungen die einzelnen Algorithmen beruhen.

Darüber hinaus tauchst du in die Grundlagen des unüberwachten Lernens ein: Du lernst Methoden wie Principal Component Analysis (PCA), Clustering und Dimensionsreduktion kennen, um komplexe Datensätze zu strukturieren und Muster sichtbar zu machen.

Ein weiterer Schwerpunkt liegt auf dem Model Tuning und der Optimierung von Vorhersagemodellen: Du lernst, wie du Hyperparameter anpasst, um bessere Ergebnisse zu erzielen, und setzt dich mit Konzepten wie dem Bias-Variance-Trade-off, Regularisierung und Cross-Validation auseinander. Zusätzlich erfährst du, wie Optimierungsverfahren wie Gradient Descent und Kostenfunktionen in der Praxis funktionieren.

Zum Abschluss der Phase wendest du das Gelernte in einem viertägigen Gruppenprojekt an, das den gesamten Data-Science-Lifecycle abbildet. Gemeinsam plant ihr Meilensteine und Ziele für euer Datenprodukt, arbeitet kollaborativ mit Git und GitHub und präsentiert eure Ergebnisse anschließend vor fiktiven Stakeholdern.

In dieser Phase tauchst du in die fortgeschrittenen Konzepte des maschinellen Lernens und der künstlichen Intelligenz ein. Aufbauend auf deinem bisherigen Wissen lernst du die Grundlagen des Deep Learnings kennen und verstehst, wie künstliche neuronale Netze funktionieren. Mit Hilfe von TensorFlow und Keras wirst du eigene Modelle entwickeln und trainieren, um komplexe Probleme zu lösen.

Ein weiterer Schwerpunkt liegt auf Natural Language Processing (NLP), wo du lernst, wie Computer menschliche Sprache verstehen und verarbeiten. Zudem wirst du in die Zeitreihenanalyse eingeführt, um Prognosen auf Basis zeitabhängiger Daten zu erstellen – ein essenzielles Werkzeug für viele datengetriebene Anwendungen.

Darüber hinaus gewinnst du Einblicke in Machine Learning Engineering: Du lernst, wie du Modelle in Produktionsumgebungen bereitstellst, deren Performance überwachst und Ergebnisse mithilfe von Dashboards und Cloud Deployment (z. B. GCP) zugänglich machst.

Mit diesen Fähigkeiten bist du optimal vorbereitet, um im nächsten Schritt dein Wissen in einem umfassenden Capstone-Projekt anzuwenden.

In der letzten Phase deines Data Science & AI Bootcamps wendest du dein gesammeltes Wissen in einem umfassenden Capstone-Projekt an. Über einen Zeitraum von vier Wochen entwickelst du gemeinsam mit deinem Team ein komplettes Predictive-Modeling-Projekt – von der Datenaufbereitung über das Training der Modelle bis hin zur Bereitstellung der Ergebnisse.

Dabei vertiefst du dein Verständnis für Deep Learning und künstliche neuronale Netze, indem du eigene Modelle entwickelst und trainierst. Außerdem lernst du das Transfer Learning kennen und arbeitest mit vortrainierten Modellen aus Repositories wie Hugging Face, um leistungsstarke Modelle effizient einzusetzen.

Ein weiterer Schwerpunkt liegt auf dem Machine Learning Engineering: Du erfährst, wie du deine Modelle in Produktionsumgebungen deployest, deren Performance überwachst und Ergebnisse mithilfe von Dashboards und Cloud Deployment (z. B. GCP) zugänglich machst.

Zum Abschluss präsentierst du deine Ergebnisse vor fiktiven Stakeholdern und trainierst so deine Fähigkeiten in der Datenkommunikation und Stakeholder-Interaktion.

Nach erfolgreichem Abschluss erhältst du neben dem neuefische Zertifikat auch das offizielle IHK-Zertifikat „Fachkraft für Data Science und AI“, ausgestellt von der HKBiS, dem Bildungsservice der Handelskammer Hamburg.