Aufbauend auf der ersten Phase deiner Data-Science-Schulung wirst du nun mit Werkzeugen wie SQL und Pandas vertraut gemacht, um Daten aus verschiedenen Quellen zu extrahieren und zu manipulieren - das können einzelne Dateien, aber auch Datenbanken sein. Nach der Datenmanipulation gehst du zur explorativen Datenanalyse (EDA) über, für die du verschiedene Visualisierungsbibliotheken kennenlernen wirst.

Diese Phase wird mit einem zweitägigen Projekt abgeschlossen, das sich auf EDA konzentriert - natürlich auf der Grundlage echter Datensätze. Mit dem Fokus auf den Business Case wirst du maßgeschneiderte Empfehlungen und aussagekräftige Visualisierungen für fiktive Stakeholder liefern.

Nun wirst du die grundlegenden Konzepte des überwachten Lernens, wie Regression und Klassifizierung, behandeln. Du wirst mit der Funktionsweise verschiedener Modelle vertraut gemacht, einschließlich der linearen und logistischen Regression, und lernst Entscheidungsbäume und Support-Vektor-Maschinen kennen. Du erfährst auch, wann welche Modelle sinnvoll sind und auf welchen Annahmen oder Vereinfachungen die Algorithmen beruhen.

Anschließend lernst du etwas über die Modellevaluation und welche Kompromisse du bei der Erstellung von Vorhersagemodellen eingehen musst. In einem 4-tägigen Gruppenprojekt zum maschinellen Lernen, das den gesamten Lebenszyklus der Datenwissenschaft abdeckt, wirst du das Gelernte festigen. Gemeinsam legt ihr Meilensteine und die Ziele eures Datenprodukts fest, während ihr kollaborativ mit Git und Github arbeitet - und präsentiert es dann den Stakeholdern.

Phase 4 deiner Ausbildung zum Data Scientist: Mit einem grundlegenden Verständnis der statistischen Lerntechniken und der zugrundeliegenden Softwareimplementierung tauchst du nun in speziellere Methoden ein, wie z. B. die Zeitreihenvorhersage.

In einer Welt, in der ein Großteil der generierten Daten "unbeschriftet" ist, ist es wichtig, dich auch mit den Herausforderungen des unüberwachten Lernens auseinanderzusetzen. Daher erhältst du im Kurs Data Science auch eine Einführung in die zu diesem Zweck verwendeten 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-Schulung eine Einführung in künstliche neuronale Netze. Der Aufbau deines eigenen tiefen neuronalen Netzwerks wird dein Verständnis für die zugrunde liegenden Prozesse und Konzepte verbessern.

In dieser Phase wirst du auch in das Konzept des Transfer-Lernens eingeführt und lernst vortrainierte Modell-Repositories wie "Hugging Face" kennen. Im Zuge dessen werden auch typische Anwendungsbereiche wie die Verarbeitung natürlicher Sprache und verwandte Techniken behandelt. Dann ist es Zeit für die letzte Phase deiner Ausbildung zum Data Scientist.

Um das Gelernte in der Praxis anzuwenden und die Gruppenarbeit sowie die Zusammenarbeit noch weiter zu vertiefen, bietet das Abschlussprojekt Kontext und Zeit. Hier arbeitest du in kleinen Gruppen an einem größeren Data Science Problem - von Anfang bis Ende. Dabei kannst jedes Team wählen, ob es sein eigenes Problem findet, öffentlich verfügbare Datensätze verwendet oder mit Daten unserer Unternehmenspartner arbeitet, um ein reales Geschäftsproblem zu lösen.

Als Team werdet ihr eine Lösung entwickeln und regelmäßig Zwischenergebnisse präsentieren. Dabei wendet ihr alle eure technischen und agilen Fähigkeiten an und lernt zusätzliche, auf das Projekt zugeschnittene Techniken. Ihr habt es geschafft! Herzlichen Glückwunsch! 🙌🏼