WeiterbildungsangebotData ScienceBis zu 100% förderbarKeine Vorerfahrung

Data Science Masterclass

Anbieter: IU Akademie IU Internationale Hochschule

Trustpilot:4,2 von 5 Sternen4,2(214 Bewertungen)
Preis
0,- €
Auf einen Blick
DurchführungOnline
LernformatSelf-Paced
Dauer8 Monate in Vollzeit oder 16 Monate in Teilzeit
UnterrichtsspracheDeutsch
Startalle 14 Tage
InklusiveBerufscoachingNotebook / Tablet (geliehen)
Kursdetails als PDF
Qualität des Bildungsträgers
AZAV-Siegel – AZAV-zertifizierter Bildungsträger, Förderung möglich

AZAV-zertifizierter Träger
Förderung durch die Agentur für Arbeit möglich

Kursbeschreibung

In einer sich ständig verändernden und immer komplexer werdenden Datenwelt siehst Du eine Chance. Du erkennst das enorme Potential, das Unternehmen in diesem Wandel sehen. Mit Deiner Online-Weiterbildung Data Science Masterclass bist Du in der Lage, Daten nicht nur zu lesen, sondern auch die Geschichten zu verstehen, die sie erzählen. Deine analytischen Fähigkeiten und Dein strategisches Denken ermöglichen es Dir, aus umfangreichen Datenmengen wertvolle Erkenntnisse zu ziehen. Deine Fähigkeiten sind zukunftsorientiert und bilden das Fundament der digitalen Transformation jedes Unternehmens. Im Rahmen Deiner Online-Weiterbildung Data Science Masterclass erlernst Du fundiertes Fachwissen in den Bereichen Statistik, Mathematik, Informatik und Machine Learning. Du lernst, komplexe Datenstrukturen zu analysieren und zu interpretieren, um wertvolle Erkenntnisse zu gewinnen. Zudem erhältst Du Einblicke in die neuesten Technologien und Methoden im Bereich des maschinellen Lernens und der Künstlichen Intelligenz. Nach Deinem zertifizierten Abschluss bist Du in der Lage, datenbasierte Entscheidungen zu treffen, innovative Lösungen zu entwickeln und Unternehmen bei der Erreichung ihrer Ziele zu unterstützen. Mit Deinem Wissen im Bereich Data Science sicherst Du Dir Deine Position in der digitalen Welt. Mit unserem praxisorientierten Ansatz und unserer Expertise in der digitalen Weiterbildung bereiten wir Dich optimal auf die Herausforderungen der digitalen Transformation vor.

Lehrplan & Module

01

Weiterführende Mathematik

Moderne Techniken zur Datenanalyse und zur Ableitung von Vorhersagen für zukünftige Ereignisse sind tief in mathematischen Techniken verwurzelt.

Kursinhalte

  • Kalkül
    • Differenzierung & Integration
    • Teilweise Differenzierung & Integration
    • Vektoranalyse
    • Variationsrechnung
  • Integrale Transformationen
    • Faltung
    • Fourier-Transformation
  • Vektor-Algebra
    • Skalare und Vektoren
    • Addition, Subtraktion von Vektoren
    • Multiplikation von Vektoren, Vektorprodukt, Skalarprodukt
  • Vektorrechnung
    • Integration von Vektoren
    • Differenzierung von Vektoren
    • Skalare und Vektorfelder
    • Vektor-Operatoren
  • Matrizen und Vektorräume
    • Grundlegende Matrix Algebra
    • Determinante, Spuren, Transponierte, Komplexe und Hermitianische Konjugate
    • Eigenvektoren und Eigenwerte
    • Diagonalisierung
    • Tensoren
  • Informationstheorie
    • MSE
    • Gini-Index
    • Entropie, Shannon-Entropie, Kullback-Leibler Distanz
    • Kreuzentropie

Fakten zum Modul: Niveau: Master · Unterrichtssprache: Deutsch · 5 ECTS-Punkte · Modulprüfung: Examen, 90 Minuten

02

Weiterführende Statistik

Fast alle Prozesse in der Natur und technische oder wissenschaftliche Szenarien sind nicht deterministisch, sondern stochastisch. Daher müssen diese Prozesse in Form von Wahrscheinlichkeiten und Wahrscheinlichkeitsdichteverteilungen beschrieben werden.

Kursinhalte

  • Einführung in die Statistik
    • Wahrscheinlichkeitstheorie
    • Kolmogorov-Axiome
    • Wahrscheinlichkeitsverteilungen
    • Stichproben und Statistiken
    • Dimensionalitätsprobleme
    • Hauptkomponentenanalyse und Diskriminanzanalyse
  • Deskriptive Statistik
    • Mittelwert, Median, Modus, Quantil
    • Varianz, Schiefe, Kurtosis
  • Wichtige Wahrscheinlichkeitsverteilungen und ihre Anwendungen
    • Binomial- und Negative Binomial-Verteilung
    • Gauß- oder Normalverteilung
    • Poisson-, und Gamma-Poisson- und Exponentialverteilung
    • Weibull-Verteilung
    • Transformierte Zufallsvariablen
  • Bayessche Statistik
    • Satz von Bayes
    • Schätzen des Priors, Benfordsches Gesetzes und Jeffreys Regel
    • Konjugierte Prioren
    • Bayesscher und Frequentistischer Ansatz
  • Datenvisualisierung
    • Allgemeine Grundlagen
    • Ein- und zweidimensionale Histogramme
    • Box- und Violin-Plots
    • Streu- und Profildiagramme
    • Säulen- und Kuchendiagramme
  • Parameterschätzung
    • Maximum-Likelihood
    • Gewöhnliche Methode der kleinsten Quadrate (OLS)
    • Erwartungs-Maximierung (EM)
    • Lasso und Ridge Regularisierung
    • Fehlerfortpflanzung
  • Hypothesentest
    • Fehler der I. und II. Art
    • p-Werte
    • Multiple Hypothesentests

Fakten zum Modul: Niveau: Master · Unterrichtssprache: Deutsch · 5 ECTS-Punkte · Modulprüfung: Workbook

03

Machine Learning

Das maschinelle Lernen ist ein wissenschaftliches Studiengebiet, das sich mit algorithmischen Techniken beschäftigt, die es Maschinen ermöglichen, die Leistung bei einer bestimmten Aufgabe durch die Entdeckung von Mustern oder Gesetzmäßigkeiten in exemplarischen Daten zu erlernen. Folglich stützen sich seine Verfahren in der Regel auf eine statistische Grundlage in Verbindung mit den Berechnungsmöglichkeiten moderner Computerhardware.

Kursinhalte

  • Einführung in das maschinelle Lernen
    • Regression & Klassifizierung
    • Beaufsichtigtes und unbeaufsichtigtes Lernen
    • Stärkung des Lernens
  • Clustering
    • Einführung in das Clustering
    • K-Mittel
    • Erwartungsmaximierung
    • DBScan
    • Hierarchisches Clustering
  • Regression
    • Lineare und nicht lineare Regression
    • Logistische Regression
    • Quantile Regression
    • Multivariate Regression
    • Lasso & Ridge Regression
  • Unterstützung von Vektor-Maschinen
    • Einführung in den Support von Vektor-Maschinen
    • SVM für die Klassifizierung
    • SVM für Regressionen
  • Entscheidungsbäume
    • Einführung in die Entscheidungsbäume
    • Entscheidungsbäume für die Klassifizierung
    • Entscheidungsbäume für die Regression
  • Genetische Algorithmen
    • Einführung in die genetischen Algorithmen
    • Anwendungen genetischer Algorithmen

Fakten zum Modul: Niveau: Master · Unterrichtssprache: Deutsch · 5 ECTS-Punkte · Modulprüfung: Examen, 90 Minuten

04

Deep Learning

Neuronale Netzwerke und Deep-Learning-Ansätze haben in den letzten Jahren die Bereiche Datenwissenschaft und künstliche Intelligenz revolutioniert, und Anwendungen, die auf diesen Techniken aufbauen, haben in vielen Spezialanwendungen die menschliche Leistungsfähigkeit erreicht oder übertroffen.

Kursinhalte

  • Einführung in das Neuronale Netzwerk und Deep Learning
    • Das biologische Gehirn
    • Perzeptron und mehrschichtige Perzeptrone
  • Netzwerkarchitekturen
    • Feed-Forward-Netze
    • Neuronale Faltungsnetze
    • Rekurrente neuronale Netze, Speicherzellen und LSTMs
  • Training Neuronaler Netze
    • Backpropagation und Gradientenabstieg
    • Gewichtsinitialisierung
    • Regularisierung und Übertraining
  • Alternative Trainingsmethoden
    • Aufmerksamkeit
    • Feedback-Ausrichtung
    • Synthetische Gradienten
    • Entkoppelte Netzwerkschnittstellen
    • Transfer Learning
  • Weitere Netzwerkarchitekturen
    • Generative Adversarial Networks
    • Autoencoder
    • Restricted Boltzmann Machines
    • Kapsel-Netzwerke
    • Spiking-Networks

Fakten zum Modul: Niveau: Master · Unterrichtssprache: Deutsch · 5 ECTS-Punkte · Modulprüfung: Fachpräsentation

Enthaltene Zertifikate

TrägerzertifikatZeugnis auf Hochschulniveau

Voraussetzungen

Vorkenntnisse: Keine Vorerfahrung

Zulassungsvoraussetzung: gute Deutschkenntnisse auf B2-Niveau.

Zugangsempfehlung: Programmieren mit Python Grundlagen oder gleichwertige Vorkenntnisse

Die Weiterbildung ist auf dem inhaltlichen Niveau eines Master Studiengangs. Eine Weiterbildung auf Master-Niveau ist anspruchsvoller als auf Bachelor-Niveau. Vorhandenes Grundlagenwissen im gewählten Fachbereich ist deshalb von Vorteil.

Technische Voraussetzungen

Laptop mit Internetzugang.

Zielgruppen

  • Arbeitssuchende
  • Fachkräfte

Berufsbilder

  • Data Scientist
  • Machine Learning Engineer
  • Data Analyst

Über den Anbieter

IU Akademie IU Internationale Hochschule

IU Akademie IU Internationale Hochschule

Bildungsträger

Alle Kurse →
Data Science Masterclass | GenauMeinKurs.de