Expert*in Data Scientist Foundation (DigiPäd-Modul C1)

Kursinhalte

Inhalte

Modul 1: 0,5 Tage Einführung in die Data Science

• Begriffsdefinition und Charakteristiken
• Einordnung in die IT
• Geschichte der Data Science
• Anforderungen im Berufsfeld Data Science und kennenlernen der Systemlandschaft
• Datensysteme kennenlernen

Modul 2: 2,5 Tage Einführung in Python

• Das Konzept und die Philosophie von Python
• Übersicht Python-Editoren, u.a.: Jupyter, Pycharm, Spyder
• Python-Projekte anlegen: Ordnerstruktur, Einbinden von Paketen und Modulen
• Syntaktische Grundlagen: Grunddatentypen, Operatoren, Kontrollstrukturen, Funktionen, Schleifen
• Grundlagen objektorientierten Programmierens: Klassen, Methoden und Attribute

Modul 3: 1 Tag Datenmanagement in Python

• Einführung in NumPy
• pandas: Objekttypen: Series und DataFrame; Importieren von Daten, Variablen erstellen, Aggregationen, deskriptive Statistik
• Interaktion mit dem Betriebssystem und Schnittstellen zu Datenbanken und Dateien
• Einführung SQL

Modul 4: 2,5 Tage Python vs. R

• Python und R im Vergleich, Abgrenzungen, Schnittstellen, Vorteile und Nachteile
• Einführung in R

Modul 5: 1 Tag Datenvisualisierung

• Grafiken mit Python und R für unterschiedliche Datentypen erstellen und gestalten.
• Bibliotheken ggplot2, Shiny, Seaborn, matplotlib kennenlernen

Modul 6: 1 Tag Inferenzstatistik/Hypothesentests/Lineare Regressionsanalyse

• Gesetz der großen Zahlen und zentraler Grenzwertsatz
• Verteilungen (Normalverteilung, t-Verteilung, Chi2) und Deskriptive Statistik
• Grundbegriffe (Effektgröße, alpha-Fehler, beta-Fehler, p-Wert, Signifikanz)
• Logik und Interpretation von statistischen Hypothesentests
• Ursache-Wirkungsanalyse mittels Regressionen

Modul 7: 2,5 Tage Machine Learning

• Überblick über Modelle und Methoden, Über das Problem der Prognose
• Overfitting, Underfitting und Parametertuning – Techniken der Modellerstellung
• Klassifikationsverfahren
• Regressionsprobleme
• Clusteranalysen
• Hauptkomponentenanalyse (PCA)
• Evaluation von Machine Learning Modellen

Modul 8: 1 Tag Zeitreihenanalyse

• Grundbegriffe der Zeitreihenanalyse
• Typisierung und Stationarisierung von Zeitreihen
• Dekomposition von Zeitreihen
• Glättung von Zeitreihen
• AR-I-MA Modelle
• Ausblick: Machine Learning zur Zeitreihenvorhersage

Modul 9: 1 Tag Reporting/REST-Services

• Kennenlernen der Bibliothek Flask zur serverseitigen Webentwicklung

Modul 10: 1 Tag Python in Operativumgebungen/Regulatorischen Standards entsprechen

• Anforderungen von produktiven Python-Code
• Konventioneller Code nach PEP-8 und dessen Bedeutung in Python
• Source- und Binary-Distributionen erstellen
• Unittesting mit den Bibliotheken unittest und doctest durchführen
• Aufzeichnen des Programmzustands mit logging
• Dokumentationen mit Sphinx erstellen

 

126 Unterrichtseinheiten virtueller Unterricht, 54 Unterrichtseinheiten gecoachtes Selbstlernen