CompTIA DataX

Seminarinformationen

Seminar - Ziel

In diesem 2-tägigen Seminar „CompTIA DataX“ erwerben Sie umfassende Kenntnisse und praktische Fertigkeiten im Bereich Data Science. Im Modul Mathematik und Statistik lernen Sie, statistische Methoden und Konzepte, Wahrscheinlichkeits- und Modellierungstechniken sowie die Grundlagen der linearen Algebra und Analysis anzuwenden und zu erläutern. Das Modul Modellierung, Analyse und Ergebnisse vermittelt Ihnen Methoden der explorativen Datenanalyse, Techniken zur Datenanreicherung sowie den Prozess der Modellentwicklung und -bewertung. Sie üben, Ergebnisse zu analysieren und wirkungsvoll zu kommunizieren.

Im Bereich Maschinelles Lernen erhalten Sie Einblicke in grundlegende Konzepte wie überwachtes und unüberwachtes Lernen sowie Deep Learning. Das Modul Abläufe und Prozesse behandelt die Rolle von Data Science in Geschäftsprozessen, Techniken zur Datenaufnahme und -speicherung sowie bewährte Vorgehensweisen im gesamten Data-Science-Zyklus. Außerdem lernen Sie die Bedeutung von DevOps- und MLOps-Prinzipien kennen. Abschließend werden im Modul Spezialisierte Anwendungen der Datenwissenschaft Optimierungsmethoden, natürliche Sprachverarbeitung (NLP), Computer Vision und weitere spezielle Anwendungsfelder erläutert.

Teilnehmer - Zielgruppe

• Data Scientist

Kurs - Voraussetzungen

Für eine optimale Teilnahme am Kurs empfehlen wir folgende Vorkenntnisse:

• 5 Jahre Erfahrung im Bereich Data Science oder einer ähnlichen Rolle werden empfohlen

Seminardauer

• 2 Tage
• 09:00 Uhr bis 17:00 Uhr

Schulungsunterlagen

• nach Absprache

Seminar-Inhalt / Agenda

Mathematik und Statistik

• Statistische Tests wie t-Tests, Chi-Quadrat-Tests und ANOVA für passende Analysefragen auswählen und anwenden
• Hypothesen und Modellergebnisse anhand geeigneter statistischer Kennzahlen bewerten
• Wahrscheinlichkeitsverteilungen, Stichprobenverfahren und fehlende Daten bei der Modellierung berücksichtigen
• Lineare Algebra und Differentialrechnung als mathematische Grundlagen für Data Science verstehen
• Zeitreihenmodelle, Survival Analysis und kausale Schlussfolgerungen vergleichen

Modellierung, Analyse und Ergebnisse

• Daten mit Exploratory Data Analysis untersuchen und relevante Merkmale und Zusammenhänge erkennen
• Datenprobleme wie Ausreißer, Saisonalität, Nichtlinearität und unterschiedliche Granularität analysieren
• Datensätze durch Feature Engineering, Skalierung, Transformation und Geocoding anreichern
• Modelle iterativ entwickeln, bewerten, auswählen und validieren
• Modellentscheidungen anhand von Experimenten, Testergebnissen und Geschäftsanforderungen begründen
• Ergebnisse mit aussagekräftigen und zugänglichen Visualisierungen verständlich kommunizieren

Machine Learning

• Modellqualität mit Loss Functions, Regularisierung, Cross-Validation und Hyperparameter Tuning verbessern
• Overfitting, Underfitting und Data Leakage erkennen und berücksichtigen
• Verfahren des überwachten Lernens für Regression und Klassifikation auswählen
• Entscheidungsbäume, Random Forests, Boosting und Bagging vergleichen und einsetzen
• Deep-Learning-Konzepte wie neuronale Netze, Dropout, Batch Normalization und Backpropagation verstehen
• Clustering, Dimensionsreduktion und Singular Value Decomposition für die Datenanalyse einordnen

Operations und Prozesse

• Geschäftsanforderungen und KPIs in geeignete Data-Science-Lösungen übersetzen und Compliance berücksichtigen
• Generierte, synthetische und öffentlich verfügbare Daten hinsichtlich ihrer Einsatzmöglichkeiten bewerten
• Data Ingestion mit Pipelines, Streaming, Batch-Verarbeitung und Data Lineage strukturieren
• Daten mit Data Wrangling bereinigen, zusammenführen und durch Imputation und Ground Truth Labeling aufbereiten
• Den Data Science Lifecycle mit Versionsverwaltung, Clean Code, Dokumentation und Unit Tests unterstützen
• DevOps- und MLOps-Prinzipien für CI/CD, Model Deployment, Container-Orchestrierung und Performance Monitoring einordnen
• Cloud-, Hybrid-, Edge- und On-Premises-Umgebungen für die Bereitstellung vergleichen

Spezialisierte Anwendungen der Data Science

• Optimierungsverfahren mit und ohne Nebenbedingungen für unterschiedliche Problemstellungen vergleichen
• Natural Language Processing mit Tokenization, Embeddings, TF-IDF und Topic Modeling verstehen
• Computer-Vision-Verfahren wie OCR, Objekterkennung, Tracking und Data Augmentation einordnen
• Einsatzmöglichkeiten von Graphanalysen, Reinforcement Learning, Fraud Detection, Anomalieerkennung und Signalverarbeitung bewerten

Weitere Schulungen zu Thema CompTIA