Lädt...

Kursbeschreibung

Data Science ist aus unserer heutigen, datengetriebenen Welt nicht mehr wegzudenken. Und eine Wissenschaft für sich. Sie hilft Unternehmen bei der Entscheidungsfindung, Performance- und Effizienzsteigerung. Und auch die Customer Experience kann nachhaltig erhöht werden. Mit Deiner Weiterbildung Data Science - Methodische Grundlagen hast Du den vollen Data Science Durchblick. Während Deiner Weiterbildung lernst Du, wie man mathematische Grundlagen einsetzt, um komplexe Modelle zu verstehen und statistische Analysen durchzuführen. Dazu sind lineare Algebra, Differentialrechnung, Wahrscheinlichkeitstheorie und Optimierung unerlässlich. Eine weitere Wissensbasis für Deine Zukunft liefern statistische Methoden, um Daten zu analysieren, Muster zu erkennen und fundierte Schlussfolgerungen zu ziehen. Hypothesentests, Regressionsanalysen, Varianzanalysen und weitere statistische Verfahren kannst Du danach gezielt anwenden. Mithilfe von Deep Learning und Machine Learning gewinnst Du zusätzlich wertvolle Erkenntnisse aus Daten. Und wie Du neuronale Netzwerke konstruieren und gezielt trainieren kannst. Dazu helfen Dir auch verschiedene Machine Learning-Algorithmen, einschließlich überwachtes und unüberwachtes Lernen.

Lehrplan & Module

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

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

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

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

Bildungsträger

Alle Kurse →

Data Science - Methodische Grundlagen bei IU Akademie IU Internationale Hochschule | GenauMeinKurs.de

Menü

Data Science - Methodische Grundlagen

Kursbeschreibung

Lehrplan & Module

Weiterführende Mathematik

Weiterführende Statistik

Machine Learning

Deep Learning

Enthaltene Zertifikate

Voraussetzungen

Zielgruppen

Berufsbilder

Über den Anbieter

IU Akademie IU Internationale Hochschule

Bildungsträger

Ratgeber

Rechtliches