Bootcamp Curriculum.

An Tag 2 des Data Science Bootcamps beschäftigen Sie sich intensiv mit dem Thema Data Engineering und Data Exploration. Hierbei stehen der richtige Umgang und die Aufbereitung von Daten im Mittelpunkt. Für alle weiterführenden Analysen spielen einwandfrei organisierte und aufbereitete Daten eine zentrale Rolle. Neben Datentypen und Datenstrukturen erfahren Sie ebenfalls, wie Datenbanken optimal gestaltet und mittels SQL abgefragt werden können. Im Rahmen einer Case Study „Data Engineering“ entwickeln Sie mit Ihrem Team ein komplexes Datenbanksystem und erstellen erste Analysen und Reports mit den Daten.

Inhalte Tag 2

• Einführung in Data Engineering
• Datenstrukturen und Datentypen
• Übersicht relationale und verteilte Datenbanken
• Datenmodelle und Datenbanken-Design
• Crashkurs SQL
• Daten bereinigen und aufbereiten
• Datenexploration und deskriptive Analyse
• Case Study „Data Engineering“

Format

50% Vorlesung, 50% praktische Übungen und Diskussion

Tag 3 des Bootcamps steht im Zeichen der Statistik. Hier erfahren Sie, welche bedeutende Rolle der Statistik im Bereich Data Science zukommt und wie Sie statistische Modelle nutzen, um Ihre Business Fragestellungen datengetrieben zu beantworten. Dabei gehen wir sowohl auf einfache deskriptive als auch komplexere bi- und multivariate statistische Modelle ein. Zudem zeigen wir Ihnen, wie Sie bereits mit einfachen statistischen Modellen Prognosen erstellen und auswerten können. In der Case Study „statistische Analyse“ werten Sie eigenständig einen komplexen Datensatz aus und entwickeln verschiedene Modelle zur Lösung der Fragestellungen.

Inhalte Tag 3

• Einführung in die statistische Analyse
• Hypothesen formulieren und testen
• Übersicht deskriptive Statistik
• Übersicht bivariate Statistik
• Übersicht multivariate Statistik
• Prognosen erstellen mit statistischen Modellen
• Case Study „statistische Analyse“

Format

50% Vorlesung, 50% praktische Übungen und Diskussion

Machine Learning ist eine Kernmethodik in der Toolbox jedes Data Scientists. Am vierten Tag des Data Science Bootcamps lernen Sie, wie Sie Machine Learning Modelle in R und Python definieren, schätzen und Prognosen in die Zukunft erstellen. Dabei behandeln wir, neben den wichtigsten Klassen von Machine Learning Modellen, auch wichtige theoretische Konzepte wie Kreuzvalidierung, Resampling, Bagging und Boosting. Zudem geben wir Ihnen einen spannenden Ausblick in Richtung komplexerer Machine Learning Modelle aus dem Deep Learning Bereich. In der Case Study „Forecasting und Scoring“ entwickeln Sie Machine Learning Modelle zur Prognose von Sales- und Kundendaten, wie sie in der Praxis häufig anzutreffen sind.

Inhalte Tag 4

• Einführung in Machine Learning
• Supervised-, Unsupervised- und Reinforcement-Learning
• Übersicht Machine Learning Workflow
• Machine Learning Modelle trainieren
• Prognosen erstellen und evaluieren
• Machine Learning Modelle tunen und optimieren
• Ausblick: Deep Learning und Artificial Intelligence
• Case Study „Forecasting und Scoring“

Format

50% Vorlesung, 50% praktische Übungen und Diskussion

Die Kommunikation der zentralen Ergebnisse Ihrer Statistik- und Machine Learning Modelle ist als Data Scientist mindestens ebenso wichtig wie das Modell selbst. Am letzten Tag des Bootcamps erfahren Sie, wie Sie mit interaktiven Tools Ergebnisse aus Ihren Data Science Projekten visualisieren und adressatengerecht kommunizieren. Dabei gehen wir insbesondere auf die Tools von Qlik, Tableau und R Shiny ein. Weiterhin zeigen wir Ihnen verschiedene Möglichkeiten auf, wie Sie Ihre Modelle aus der PoC Sandbox in eine produktive Umgebung integrieren und einsetzen können. In der Case Study „Data Visualization“ entwickeln Sie eigenständig eine Dashboard Applikation, die die Ergebnisse Ihres am Vortag entwickelten Machine Learning Modells adäquat visualisiert.

Inhalte Tag 5

• Einführung Model Deployment und Visualisierung
• Modelle automatisieren und ausrollen
• Übersicht Dashboard Software
• Best Practices Visual Information Design
• Interaktive Applikationen mit R Shiny entwickeln
• Reporting Dahsboards mit Qlik und Tableau erstellen
• Modelle in Dashboards integrieren
• Case Study „Data Visualization“

Format

50% Vorlesung, 50% praktische Übungen und Diskussion