Inhalt

1.1 Einführung in Data Science

• Daten vs. Information
  
• Datenerhebung
  
• Datenmessskalen
  
• Auswahl von Daten
  
• Informationstheorie
  
• Praktische Übung
  
  

1.2 Fortgeschrittene Data Science

• Datensammlung
  
• Datenerfassung
  
• Datenbereinigung
• Data Science Lebenzyklus
  
• Durchführung eines Data Science-Projekts
  
  

1.3 Datenqualität

• Metadaten und Metadaten-Management
  
• Qualitätsdimension und Metriken
  
• Datenvalidität und Zuverlässigkeit
  
• Datenbereitstellungsprozess
  
  

1.4 Bearbeitung einer Fallstudie und Präsentation

2.1 Einführung in die Datenanalys 

• Grundaufgaben der Statistik
  
• Merkmale und Daten
• Deskriptive Statistik
• Induktive Statistik
• Beispielanwendungen in Python
  
  

2.2 Regressionsanalys 

• Theoretisches Modell
  
• Empirisches Modell
• Schätzung der Regressionsparameter
• Interpretation der Koeffizienten
• Kleine Stichprobeneigenschaften
• Das Bestimmtheitsmaß R2
• Nichtlineare Zusammenhänge und Ausreißer
• Beispielanwendungen in Python
  
  

2.3 Statistisches Lernen 

• Statistisches Lernen – Einführung
  
• Vorhersage vs. Inferenz
  
• Wie lernen wir f?
  
• Bias-Variance-Trade-Off
• Überlegungen zu hochdimensionalen Daten
  
• Beispielanwendungen in Python: Ridge-Regression
  
• Beispielanwendungen in Python: logistische Regression vs. neuronales Netz
  

3.1 Einführung Datenvisualisierung

• Datenüberlastung und Informationsüberflutung
  
• Attentive und präattentive Merkmale
  
• Gestalttheorie
• Bearbeitung einer Fallstudie
  
  

3.2 Fortgeschrittene Datenvisualisierung 

• Visualisierungsprinzipien nach Bertin
  
• Farbcodierung
• Visuelle Darstellung – Dimensionen
• Diagrammtypen und Visualisierung
• Bearbeitung einer Fallstudie

4.1 Einführung in KI

• Grundlagen des Maschinellen Lernens
• Begrifflichkeiten KI
  
  

4.2 Mensch-KI Kollaboration

• Formen
• Erklärbarkeit & Transparenz
• Fairness
• Vertrauen
  
  

4.3 Kreative KI

• Grundlagen
• Technische Methoden
  
• Beispiele
  
  

4.4 Anwendungsbeispiele im Unternehmenskontext

• KI-Lebenszyklus
  
• KI-Design

5.1 Einführung ins Data Mining 

• Überblick
  
• Kurzeinführung in R
  
• Kurzeinführung in Python
  
• Entscheidungsbäume
  
• Neuronale Netze
  

5.2 Fortgeschrittene Data Mining Techniken

• Bagging und Boosting
  
• Deep Learning
  
• Kleine Übung
  

5.3 Web Mining

• Web Scraping mit ChatGPT, R und Python
  
• Text Mining mit ChatGPT, R und Python
  
• Kleine Übung
  

5.4 Praktische Übung

• Übung zu Entscheidungsbäumen und Neuronalen Netzen
  
• Übung zu Web Mining