Inhalt

1.1 Einführung in Data Science

• Motivation
• Daten: Strukturiert vs. Unstrukturiert
• Vorgehensmodelle für Data Science
• Speicherkonzepte strukturierte Daten
  
  

1.2 Datenströme

• Echtzeitdatenverarbeitung
• ELT vs. ETL
• Architekturen
  
  

1.3 Speicherkonzepte / NoSQL

• Echtzeitdatenverarbeitung
  
• ELT vs. ETL
  
• Architekturen
  
  

1.4 Praktische Übung

2.1 Einführung Datenanalysen

• Motivation
  
• Datentypen
  
• Metadaten
  
  

2.2 Explorative Datenanalyse

• Datenqualität und häufigste Probleme
  
• Verteilungen
  
• Deskriptive Statistik
  
• Outlier
  

3.1 Einführung ins Data Mining

• Grundidee des Data Mining
  
• Entscheidungsbäume und Neuronale Netze
  
• Beispielanwendungen mit R und RStudio
  
  

3.2 Fortgeschrittene Verfahren des Data Mining

• Random Forests
  
• Gradient Boosting Machines
  
• Beispielanwendungen mit R und RStudio
  
  

3.3 Praktische Übung

• Gruppenarbeit
  
• Ergebnispräsentation
  
  

3.4 Web Mining

• Clickstreamanalyse
  
• Beispielanwendungen mit R und RStudio sowie Python und VS Code
  

4.1 Datenvisualisierung

• Motivation
• Diagrammtypen
• Wahrnehmung
  
  

4.2 Fortgeschrittene Datenvisualisierung

• Netzwerkvisualisierung
• Farbenlehre
  
  

4.3 Praktische Übung

• Erstellung eines (Entscheidungs-)Dashboards, welches die erlernten Visualisierungsprinzipien umsetzt
  
  

4.4 Use Case Study

• Praktische Fallanwendung der Lehrinhalte von Tag 1 bis Tag 3

5.1 Einführung in KI

• Grundlagen des Maschinellen Lernens
• Begrifflichkeiten KI
  
  

5.2 Mensch-KI Kollaboration

• Formen
• Erklärbarkeit & Transparenz
• Fairness
• Vertrauen
  
  

5.3 Kreative KI

• Grundlagen
• Technische Methoden
• Beispiele