Data Science für Dataframes und synthetische Daten mit Zusatzqualifikation: AI-Development, Tableau, statistische Datenanalyse mit R, Deep Learning und Machine Learning

Nach Abschluss der Weiterbildung verfügen Sie über Kenntnisse in der Analyse und Verarbeitung von Daten mit Dataframes und synthetischen Daten. Sie sind in der Lage, AI-Entwicklungsprojekte zu realisieren und Daten mit Tableau zu visualisieren. Sie beherrschen statistische Datenanalysen mit R und wenden Deep Learning sowie Machine Learning an. Diese Fähigkeiten ermöglichen Ihnen Tätigkeiten in der Datenanalyse, der Entwicklung von KI-Anwendungen und der Visualisierung von Daten in verschiedenen Branchen.

• Datenreinigung
• Grundlegende statistische Kenngrößen
• Datenvorbereitung für Machine Learning
• Datenmanagement und diskriptive Statistiken in R
• Importieren, Analysieren und Exportieren von Datensätzen
• Datenvisualisierung

• Grundlagen der Arbeit mit R
• Diagramme in ggplot2
• Streudiagramme, Korrelationsdiagramme und analytische Tests
• Regressionsanalysen
• Anwendung von R in der Forschung

• Einführung in AI-Development
• Aufbau eines einfachen Chatbots
• Trainieren von Chatbot-Modellen
• NLP-Grundlagen für Chatbots
• Fortgeschrittene Chatbot-Techniken
• Optimierung und Evaluation von Chatbots
• AI-Ethik und Datenschutz in Chatbots

• Einführung in Tableau und Verstehen von Datenmodellierung
• Erstellen von interaktiven Dashboards
• Verwendung von Kartendiensten
• Erstellen von Umsatzkarten und Visualisierung von Verkaufsdaten
• Erstellen von Reporten inklusive Dashboard mit Interaktivität
• Aggregationen, Berechnungen und Parameter

• Einführung in Machine Learning
• Arten des Machine Learning
• Training und Auswahl eines Vorhersagemodells
• Verwendung von Scikit-Learn für Klassifikationen
• Ensemble Learning (z. B. Bagging und Boosting)
• Bewertung von Modellen
• K-fache Kreuzvalidierung

• Einführung in Neuronale Netze
• Trainieren eines Neuronalen Netzes
• Aufgaben und Funktionen von Deep Learning
• Abgrenzung von Machine Learning und Deep Learning
• Keras
• Verbindungen zu TensorFlow
• Laden und Speichern von Modellen