{"id":94703,"date":"2024-12-09T17:35:37","date_gmt":"2024-12-09T16:35:37","guid":{"rendered":"https:\/\/stackfuel.com\/?post_type=training&#038;p=94703"},"modified":"2026-06-24T12:35:47","modified_gmt":"2026-06-24T10:35:47","slug":"data-science","status":"publish","type":"training","link":"https:\/\/stackfuel.com\/en\/trainings\/data-science\/","title":{"rendered":"Data Science"},"featured_media":95012,"menu_order":11,"template":"","categories":[644],"class_list":["post-94703","training","type-training","status-publish","has-post-thumbnail","hentry","category-_trainingsuebersicht"],"acf":{"display_name":"Data Science","short_name":"Data Science","icon":87538,"besondere_layout_elemente":"nothing","tagline":"Lerne fortgeschrittene Datenanalyse mit Python und pandas, matplotlib, seaborn, numpy, scikit-learn und SQLAlchemy, und entwickle so z.B. Prognosemodelle mit Machine Learning.","abschluss":"Abschlusszertifikat","dauer":"9 Wochen (VZ)","niveau":"Fortgeschrittene","sprachen":"DE & EN","preis":"","headline_kursbeschreibung":"Was ist Data Science?","kursbeschreibung":"Data Science umfasst die Analyse, Modellierung und Auswertung gro\u00dfer Datenmengen mit modernen Methoden wie Machine Learning. Ziel ist es, Muster zu erkennen, Prognosen zu erstellen und datenbasierte Entscheidungen optimal zu unterst\u00fctzen.","headline_zielgruppe":"F\u00fcr wen ist die Data Science Weiterbildung geeignet?","zielgruppe":"Das Training eignet sich f\u00fcr Menschen in beruflicher Neuorientierung, die ihre Jobchancen im Zukunftsfeld Data Science steigern wollen. Sie erwerben gefragte Kompetenzen, die Ihre Karrierechancen sp\u00fcrbar erh\u00f6hen und nachhaltige Perspektiven bieten.","headline_berufsgruppen":"F\u00fcr welche Berufsgruppen ist das Training relevant?","berufsgruppen":"Das Data Science Training ist ideal f\u00fcr Umsteiger:innen, Fachkr\u00e4fte und Arbeitssuchende aus datenaffinen Bereichen, die sich fit f\u00fcr digitale und analytische Aufgaben in verschiedensten Branchen machen m\u00f6chten, z.B:","berufsgruppen_btf":"<ul>\r\n \t<li>Als Data Scientist komplexe Datenmodelle und Prognosen entwickeln<\/li>\r\n \t<li>Als Ingenieur technische Daten automatisiert auswerten<\/li>\r\n \t<li>Als Marktforscher Kundenverhalten mit Machine Learning analysieren<\/li>\r\n<\/ul>","intro_in_diesem_training_lernst_du":"Lerne fortgeschrittene Datenanalyse mit Python und pandas, matplotlib, seaborn, numpy, scikit-learn und SQLAlchemy, und entwickle so z.B. Prognosemodelle mit Machine Learning","in_diesem_training_lernst_du":"<ul>\r\n \t<li>Daten selbst\u00e4ndig einlesen, bereinigen und filtern<\/li>\r\n \t<li>Daten explorativ mithilfe von deskriptiver Statistik analysieren<\/li>\r\n \t<li>Komplexe Prognosemodelle entwickeln und verifizieren<\/li>\r\n \t<li>Python-Programmierkenntnisse vertiefen<\/li>\r\n \t<li>Datenmodelle zur Vorhersage von Businessszenarien bauen<\/li>\r\n \t<li>Machine-Learning f\u00fcr Vorhersagen nutzen<\/li>\r\n \t<li>Best Practices f\u00fcr die effektive Datenvisualisierung anwenden<\/li>\r\n \t<li>Methoden des Data Storytellings anwenden<\/li>\r\n<\/ul>","vorraussetzungen_fur_die_teilnahme":"","feature_1_image":105887,"feature_2_image":105888,"feature_3_image":105889,"feature_1_text":"Machine Learning-Grundlagen","feature_2_text":"Supervised Learning","feature_3_text":"Unsupervised Learning","module":[{"uberschrift":"Preparation","css-classes":"","inhalt":"<h4>Kapitel 1: Data Analytics with <span class=\"lime_on_white\">Python<\/span><\/h4>\r\nDu frischst die wichtigsten Python-Grundlagen zur Datenverarbeitung mit <strong>Pandas<\/strong>, Datenvisualisierung mit <strong>Matplotlib<\/strong> und <strong>Seaborn<\/strong> und Datenbankabfrage mit <strong>SQL Alchemy<\/strong> auf.\r\n<h4>Kapitel 2: <span class=\"lime_on_white\">Lineare Algebra<\/span><\/h4>\r\nDu machst Dich mit dem mathematischen Hintergrund von <strong>Data-Science-Algorithmen<\/strong> vertraut und lernst die Grundbegriffe der <strong>linearen Algebra<\/strong> kennen. Unter Verwendung des Pakets <strong>Numpy<\/strong> rechnest Du mit <strong>Vektoren<\/strong> und <strong>Matrizen<\/strong>.\r\n<h4>Kapitel 3: <span class=\"lime_on_white\">Probability Distributions<\/span><\/h4>\r\nDu lernst mehr \u00fcber den <strong>statistischen Hintergrund<\/strong> von Data-Science-Algorithmen. Du besch\u00e4ftigst Dich mit wichtigen statistischen Konzepten und lernst <strong>diskrete<\/strong> und <strong>kontinuierliche Verteilungen<\/strong> kennen. Dar\u00fcber hinaus erh\u00e4ltst Du einen Einblick in die Versionierung von Code mit <strong>Git<\/strong>."},{"uberschrift":"Machine Learning Basics","css-classes":"","inhalt":"<h4>Kapitel 1: <span class=\"lime_on_white\"> Supervised Learning<\/span> (Regression)<\/h4>\r\nAnhand der linearen Regression erlernst Du den Umgang mit dem Python-Paket <strong>sklearn<\/strong>. Weiterhin besch\u00e4ftigst Du Dich mit den Annahmen des Regressionsmodells und der Evaluation der erzeugten Prognosen. In diesem Zuge werden auch der Bias-Variance Trade-Off, Konzepte der Regularisierung sowie verschiedene Ma\u00dfe der Modellg\u00fcte verdeutlicht.\r\n<h4>Kapitel 2: <span class=\"lime_on_white\"> Supervised Learning<\/span> (Classification)<\/h4>\r\nDu wirst in Klassifizierungsalgorithmen anhand des <strong>k-Nearest-Neighbors-Algorithmus<\/strong> eingef\u00fchrt und lernst, den Algorithmus zu evaluieren und die Klassifizierungsperformance einzusch\u00e4tzen. Du optimierst die Parameter von Modellen unter Beachtung der Aufteilung der Daten in Trainings- und Evaluationssets.\r\n<h4>Kapitel 3: <span class=\"lime_on_white\"> Unsupervised Learning<\/span> (Clustering)<\/h4>\r\nDu lernst den <strong>k-Means-Algorithmus<\/strong> als Beispiel eines Algorithmus des un\u00fcberwachten Lernens kennen. Die Annahmen und Performance-Metriken des Algorithmus werden kritisch beleuchtet und ein kurzer Ausblick auf eine Alternative zum <strong>k-Means-Clustering<\/strong> geworfen.\r\n<h4>Kapitel 4: <span class=\"lime_on_white\"> Unsupervised Learning<\/span> (Dimensionality Reduction)<\/h4>\r\nDu lernst, wie Du mithilfe einer <strong>Principal Component Analysis (PCA)<\/strong> die Dimension der Daten verringern kannst und nutzt die PCA, um unkorrelierte Features aus den Ursprungsdaten zu erzeugen. In diesem Zusammenhang wird das Thema Feature Engineering n\u00e4her betrachtet und aus den alten Features neue erzeugt.\r\n<h4>Kapitel 5: <span class=\"lime_on_white\">Outlier Detection<\/span><\/h4>\r\nDu lernst verschiedene Ans\u00e4tze kennen, um Ausrei\u00dfer zu identifizieren und verstehst, mit diesen <strong>ungew\u00f6hnlichen Datenpunkten<\/strong> umzugehen. Du nutzt robuste Ma\u00dfe und Modelle, um den Einfluss der Ausrei\u00dfer zu minimieren."},{"uberschrift":"Supervised Learning","css-classes":"","inhalt":"<h4>Kapitel 1: <span class=\"lime_on_white\">Data Gathering<\/span><\/h4>\r\nDu lernst, mit Tools wie BeautifulSoup f\u00fcr <strong>Web Scraping<\/strong> und PyPDF2 f\u00fcr die <strong>PDF-Datenextraktion<\/strong> Daten zu sammeln. Mithilfe von <strong>Regular Expressions<\/strong> strukturierst Du gesammelte Textdaten so, dass diese zusammen mit bekannten Algorithmen verwendet werden k\u00f6nnen.\r\n<h4>Kapitel 2: <span class=\"lime_on_white\">Logistic Regression<\/span><\/h4>\r\nDu lernst einen zweiten Klassifizierungsalgorithmus kennen: die <strong>logistische Regression<\/strong>. Du nutzt neue Performance-Metriken zur Evaluation der Ergebnisse und erf\u00e4hrst, wie Du nicht-numerische Daten f\u00fcr Deine Modelle nutzbar machst.\r\n<h4>Kapitel 3: <span class=\"lime_on_white\">Decision Trees and Random Forests<\/span><\/h4>\r\nDu lernst den <strong>Entscheidungsbaum<\/strong> als leicht zu interpretierendes Modell kennen. Du kombinierst mehrere Modelle zu einem Ensemble, um die Vorhersagen Deines Modells zu verbessern. Weiterhin erh\u00e4ltst Du Methoden zu unausgeglichenen Kategorien an die Hand.\r\n<h4>Kapitel 4: <span class=\"lime_on_white\">Support Vector Machines<\/span><\/h4>\r\nDu lernst einen letzten Klassifizierungsalgorithmus kennen \u2013 <strong>Support Vector Machines (SVM)<\/strong> und beleuchtest das Verhalten verschiedener Kernel f\u00fcr die SVM. Au\u00dferdem erlernst Du die typischen Schritte des <strong>Natural Language Processing (NLP)<\/strong> und bearbeitest ein NLP-Szenario unter Verwendung von Bag-of-Words-Modellen.\r\n<h4>Kapitel 5: <span class=\"lime_on_white\">Neural Networks<\/span><\/h4>\r\nDu wirst in <strong>k\u00fcnstliche neuronale Netze<\/strong> eingef\u00fchrt und lernst mehr \u00fcber Deep Learning, um ein k\u00fcnstliches neuronales Netzwerk mit mehreren Schichten zu erzeugen und auf ein Datenset anzuwenden."},{"uberschrift":"Advanced Topics","css-classes":"","inhalt":"<h4>Kapitel 1: <span class=\"lime_on_white\">Visualization and Model Interpretation<\/span><\/h4>\r\nDu erlernst wichtige Methoden zur Interpretation und Visualisierung von <strong>Machine-Learning-Modellen<\/strong>. Durch die Verwendung <strong>modelagnostischer Methoden<\/strong> zur Interpretation lernst Du, Erkenntnisse zur Funktionsweise Deiner Modelle abzuleiten und zu kommunizieren.\r\n<h4>Kapitel 2: <span class=\"lime_on_white\">Spark<\/span><\/h4>\r\nDu erf\u00e4hrst, weshalb die Arbeit mit verteilten Speichersystemen relevant ist. Mit dem Python-Paket <strong>PySpark<\/strong> erlernst Du verteilte Datenbanken auszulesen, Big-Data-Analysen durchzuf\u00fchren und bekannte Machine-Learning-Algorithmen auf verteilten Systemen zu nutzen.\r\n<h4>Kapitel 3: <span class=\"lime_on_white\">\u00dcbungsprojekt<\/span><\/h4>\r\nDu bearbeitest ein <strong>Pr\u00e4diktionsproblem<\/strong> mit Hilfe eines gr\u00f6\u00dferen Datensets und setzt Deine Data-Science-F\u00e4higkeiten von der Reinigung des Datensets bis zur Interpretation des Modells eigenst\u00e4ndig ein. In einer Projektbesprechung mit dem Mentoring-Team von StackFuel erh\u00e4ltst Du Feedback zu Deinem L\u00f6sungsansatz.\r\n<h4>Kapitel 4: <span class=\"lime_on_white\">Abschlusspr\u00fcfung<\/span><\/h4>\r\nDu erh\u00e4ltst ein weiteres gr\u00f6\u00dferes Datenset, das Du selbstst\u00e4ndig analysieren und im Vergleich zum \u00dcbungsprojekt mit weniger Hilfestellung l\u00f6sen musst. In einer individuellen Pr\u00fcfungsbesprechung mit dem Mentoring-Team erh\u00e4ltst Du Feedback zu Deinem L\u00f6sungsansatz."}],"video_link":"","curriculum_link":"https:\/\/downloads.stackfuel.com\/curricula\/StackFuel_Curriculum_Data_Science_DE.pdf","vorschau_text":"","b2b_dauer":"","b2b_info_text":"","only_one_link":false,"template_starttermine":"[elementor-template id=\"106067\"]","frage_faq":"Was lerne Ich in der Data Science Weiterbildung von StackFuel?","antwort_faq":"Im zertifizierten Data Science-Training lernst Du die Grundlagen des Machine Learnings, der Technologie, die moderner KI zugrunde liegt. Du lernst, Datenmodelle mit Python zur Vorhersage von unterschiedlichen Businessszenarien umzusetzen. Du entwickelst die F\u00e4higkeit, u\u0308berwachte und unu\u0308berwachte Machine-Learning Algorithmen zu nutzen und zu optimieren.\r\n\r\nDurch praxisbezogene Anwendungsbeispiele erlangst Du Souver\u00e4nit\u00e4t im L\u00f6sen von Data Science-Problemen. Das Data Science-Training schlie\u00dft Du mit einer Abschlusspr\u00fcfung ab, in der Du ein gr\u00f6\u00dferes Datenset zur Vorhersage von Autok\u00e4ufen selbstst\u00e4ndig analysierst und l\u00f6st. Der zus\u00e4tzliche Aufbau von F\u00e4higkeiten im Bereich des Machine Learnings qualifiziert Dich mit erfolgreichem Abschluss f\u00fcr die Jobrolle als Data Scientist, zus\u00e4tzlich zu weiteren analytischen Jobrollen wie dem Data Analyst, Business Intelligence Analyst oder Financial Analyst.","hero_section_link_1":"https:\/\/stackfuel.com\/de\/training\/data-scientist-weiterbildung\/","hero_section_link_1_text":"Data Scientist Trainingsprogramm","hero_section_link_2":"","hero_section_link_2_text":"","hero_section_link_3":"","hero_section_link_3_text":""},"_links":{"self":[{"href":"https:\/\/stackfuel.com\/en\/wp-json\/wp\/v2\/training\/94703","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/stackfuel.com\/en\/wp-json\/wp\/v2\/training"}],"about":[{"href":"https:\/\/stackfuel.com\/en\/wp-json\/wp\/v2\/types\/training"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/stackfuel.com\/en\/wp-json\/wp\/v2\/media\/95012"}],"wp:attachment":[{"href":"https:\/\/stackfuel.com\/en\/wp-json\/wp\/v2\/media?parent=94703"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/stackfuel.com\/en\/wp-json\/wp\/v2\/categories?post=94703"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}