!Grundlagen der Datenwissenschaft *Grundlagen der Statistik, Mittelwert, Varianz, Standardabweichung *Korrelation und lineare Regression, Regressionsanalysen *Stichproben, Konfidenzintervalle, T-Test für unabhängige Stichproben, Einfaktorielle Anova !Programmier- und Skriptsprachen *Installation und Einrichtung von Python, Python im interaktiven Modus *Grundlegende Programmierkonzepte, Funktionen, Vererbung in objektorientierter Programmierung *Grundlagen der objektorientierten Programmierung, Abstrakte Methoden und Klassen !Datenstrukturen und Algorithmen *Datenstrukturen, Standard-Datentypen, Arrays, Anwendung von Listen und Arrays *Modellieren mit Kellern, Schlangen und Graphen *Funktionsweise von Verzweigungen, Operatoren, Variablen mit primitivem Datentyp !Datenbanken und SQL *Datenbanken, Verwendung von SQL-Datenbanken in Java *Einführung in relationale Datenbanken, Selektieren von Daten, Ändern von Daten *Datenbankmodellierung, Normalisierung, Erstellung eines ERM, Physische Modellierung und Views !Softwareentwicklung mit Java *Erstellung von REST-APIs mit Java, Testen und Tuning !Machine Learning Basiswissen *Einführung in Machine Learning, Datenreinigung, Datenskalierung, Datenvisualisierung *Einführung in Unsupervised Machine Learning, Neuronale Netze und Deep Learning *Grundlegende Algorithmen: lineare/logistische Regression, Kernel-Methoden und Regularisierungstechniken !Machine Learning Praktische Anwendung *Praxisarbeit: Programmierung Neuronales Netzwerk, Praxisarbeit: Optimierung Neuronales Netzwerk *Hyperparameteroptimierung, Transfer Learning, Aktivierungsfunktionen *Funktion und Nutzen von Machine Learning, Verstärktes Lernen !Machine Learning Vertiefung und Trends *Aktuelle Trends im maschinellen Lernen und Ausblick in die Zukunft *Qualifikationsprojekt Machine Learning !TensorFlow und Keras *Installation und Einrichtung von TensorFlow, Grundlegende Verwendung von TensorFlow *Erstellen von Machine-Learning-Modellen mit Keras, Verwendung von Keras *Analyse von Machine Learning in TensorFlow, Qualifikationsprojekt TensorFlow !Python für Datenwissenschaft *Einführung in NumPy und Messdatenverarbeitung *Datenmanagement und diskriptive Statistiken in R, Umgang und Untersuchung von Datensätzen !R Programmierung *Importieren, Analysieren und Exportieren von Datensätzen, Zusammenhänge zwischen Variablen *Vertiefung Diagramme und Teilprüfungsleistung 2, Streudiagramme, Korrelationsdiagramme !Statistische Tests in R *Analytische Tests, Anwendung von R in der Forschung !Cloud-Technologien und Automatisierung *Theoretische Grundlagen von Softwarecontainern, Grundlagen und Verwendung von Docker *Grundlagen und Verwendung von Kubernetes, Installation und Verstehen von Ansible *Einrichtung von Cloud Computing mit Ansible !Agile Methoden *Vorteile der agilen Arbeitsweise, Agile Standards, Agiles Projektmanagement *Standards und Normen, Projekt-Planung, Projekt-Steuerung !Digitale Kommunikation und Zusammenarbeit *Kommunikationsmodelle, Arten virtueller Kommunikation und Tools *Praktische Tipps für das digitale Arbeiten, Konflikte und Konfliktmanagement in virtuellen Teams *Fallstudien und praktische Anwendung des Konfliktmanagements !Betreuung der Teilnehmer und didaktische Methoden *Umgang mit Teilnehmenden, Visualisierung und Medien !Automatische Bilderkennung *Automatische Bilderkennung !PyTorch Einführung *Einführung in PyTorch