Data Scientist (TÜV®)
Seminarnummer:
DIDI016
Die Digitalisierung zahlreicher geschäftlicher Transaktionen, der Einsatz von Social-Media-Diensten zur Vertriebsunterstützung oder IT-gestützte Disposition diverser Prozesse sind aus dem Alltagsgeschäft vieler Unternehmen nicht mehr wegzudenken. Die so entstehenden riesigen komplexen Datenmengen wachsen exponentiell. Diese Daten können als Grundlage für strategische Unternehmensentscheidungen dienen, wenn sie richtig analysiert worden sind. In ihnen finden Data Scientists Muster und Informationen, die gewinnbringend im Unternehmen einsetzbar sind, um bestehende Prozesse zu optimieren und die Wertschöpfungskette zu stärken.
Live-Webinar
80 Seminarstunden
1 Termin verfügbar
Personenzertifikat
Die Anwendungsmöglichkeiten von Data Science reichen von der verbesserten Routenplanung im Verkehrsgewerbe über die Vorhersage von zu erwartenden Stromspitzen sowohl auf Anbieter- wie auch auf Verbraucherseite bis hin zu personalisierten Medikations- und Therapieplänen in der Patientenversorgung.
Spezialisierte Data Scientists schaffen die entsprechende Entscheidungsgrundlage, indem sie aus oft riesigen, unstrukturierten Rohdatenmengen eine geordnete Datenbasis erarbeiten, diese analysieren und die erkannten Muster im Sinne des Unternehmenszieles auswerten – auch die in die Zukunft gerichtet. So ist es dank Algorithmen möglich zu bestimmen, welche Auswirkungen bestimmte Veränderungen in Zukunft haben können.
Im Seminar erhalten die Teilnehmer eine umfassende Einführung in die Programmiersprache Python als Grundwerkzeug für die spätere Datenanalyse. Sie lernen die Entscheidungskriterien für die Datenauswahl und die Datenquellen kennen, die sie für ihre Betrachtung benötigen. Die Vorgehensweise und der Einsatz von Hilfsmitteln zur Datenanalyse und Datenstrukturierung werden ebenso besprochen wie sinnvolle Zeitfenster der Datenaggregation und Bewertungsmöglichkeiten der erkannten Muster.
Die Besprechung von konkreten Anwendungsfällen und zahlreichende vertiefende Übungen stellen während des gesamten Kurses den Transfer des neuen Wissens in die Praxis sicher. Die Teilnehmer werden in die Lage versetzt, Daten entsprechend der Bedürfnisse und Ansprüche des Unternehmens zu sammeln, zu verarbeiten und zu nutzen, um die Grundlage für strategische Unternehmensentscheidungen erstellen zu können.
Die Besprechung von konkreten Anwendungsfällen und zahlreichende vertiefende Übungen stellen während des gesamten Kurses den Transfer des neuen Wissens in die Praxis sicher. Die Teilnehmer werden in die Lage versetzt, Daten entsprechend der Bedürfnisse und Ansprüche des Unternehmens zu sammeln, zu verarbeiten und zu nutzen, um die Grundlage für strategische Unternehmensentscheidungen erstellen zu können.
Nutzen
- Kenntniserwerb, um erhobene Daten kompetent zu analysieren und zu verwerten
- Kompetenz, um datenbasiert effiziente Entscheidungen erfolgreich vorzubereiten
- Wissensdokumentation im Bereich Data Science durch ein international anerkanntes Personenzertifikat
Zielgruppe
(Künftige) Data Scientists, Statistiker, Business-Analysten, Ingenieure, Mathematiker und IT-Experten, die
- Wissen zur Datenanalyse erwerben bzw. erweitern wollen, um die Auswertungen besser verstehen und effizienter bewältigen zu können,
- daten- und algorithmengestützte Prozesse im Unternehmen etablieren und betreiben möchten,
- Machine Learning und künstliche Intelligenz zur Hebung von Datenpotenzialen einsetzen wollen,
- daten- und algorithmengestützte Prozessautomatisierungen im Unternehmen verankern möchten, um digitale Entscheidungen im großen Umfang umsetzen zu können.
Inhalt
Modul 1: Data Science mit Python
- Einführung in die Programmierung mit Python
- Datenmanagement mit Pandas
- Datentypen
- Importieren, Lesen und Schreiben von Daten
- Indizierung, Filterung und Zuweisung von Daten
- Aggregationsfunktionen und Mappings
- Gruppierung und Sortierung
- Verarbeitung von Missing Values
- Kombination, Wrangling, Integration und Umbenennung von Daten
- Arbeiten mit Date, Time und Datetime-Datentypen
- Datenverarbeitung mit Schleifen und Verwendung von Variablen
- Datenvisualisierung mit Matplotlib und Seaborn
- Statistik-Grundlagen
- Einführung in Machine Learning-Techniken mit scikit-learn
- Einführung, Grundlagen und Methodik
- Erstellen von Trainingsdaten
- Überwachte Lern-Algorithmen
- Unüberwachte Lern-Algorithmen
- Erklärbarkeit von Modellen
- Modell-Interpretation und Evaluierungstechniken
- Einführung in Data Science und die Welt der Algorithmen
- Machine Learning und Künstliche Intelligenz - Best Practices und Erfolgsfaktoren
- Einführung in Feature Engineering
- Algorithmen des Überwachten Lernens (Decision Tree, Regression, Neural Network, Naïve Bayes, Support Vector Machines, Ensemble Modeling)
- Algorithmen des Unüberwachten Lernens (Cluster Analysis, Association Analysis)
- Einführung in Deep Learning
- Bewertung der Modell-Performance und Modell-Vergleich
- MLOps - Modell Deployment und operativer Modelleinsatz
- Einführung in das Feature Engineering
- Datenquellen, Datenmodelle und Analytische Data Marts
- Datenintegration und Datentransformation
- Behandlung fehlender Werte
- Behandlung von Ausreißern
- Binning-Methoden
- Dimensionsreduzierende Methoden
- Aggregationstechniken für Transaktionsdaten
- Feature Engineering für Zeitreihen
- Stichproben-Methoden und Erstellung von Trainings- und Testdaten
- Best Practices Feature Engineering für Machine Learning-Algorithmen
- AI-, IoT- und IIoT-Grundlagen
- Eigenschaften von IoT-Datenquellen
- Einführung in die Digitale Signalverarbeitung (DSP)
- Feature Engineering mit DSP-Methoden (u.a. FFT, PSD)
- Machine Learning-Grundlagen
- Training, Bewertung und Vergleich von Machine Learning-Modellen
- Deployment von Machine Learning-Modellen
- AIoT-Use Cases, Anwendungsgebiete und Best Practices
- Process Mining und das Internet of Events
- Einführung in die Prozessmodellierung (u.a. Petrinetze, Process Trees)
- Typische Datenquellen und Eventlogs
- Process Discovery
- Konformitätsprüfung
- Von der Process Discovery zum Online Process Monitoring
- Online-Abschlussprüfung im Multiple-Choice-Verfahren
- Projektbearbeitung zum Erwerb des Personenzertifikates
Ist kein passender Termin dabei oder Ihr Wunschtermin ist ausgebucht?
Personenzertifikat
80 Seminarstunden
10 Tage
Studienabschluss im MINT-Bereich oder gleichwertige Qualifikation, insbesondere mathematische Vorkenntnisse
VDSI Punkte Arbeitsschutz: 0
VDSI Punkte Brandschutz: 0
VDSI Punkte Managementsysteme: 0
VDSI Punkte Gesundheitsschutz: 0
VDSI Punkte Security: 0
VDSI Punkte Umweltschutz: 0
VDSI Punkte Brandschutz: 0
VDSI Punkte Managementsysteme: 0
VDSI Punkte Gesundheitsschutz: 0
VDSI Punkte Security: 0
VDSI Punkte Umweltschutz: 0
Die theoretischen Inhalte werden in Form von praxisnahen Übungen vertieft. Die dafür notwendige Schulungsumgebung wird gestellt. Der Zugriff auf die Schulungsumgebung erfolgt mit einem Browser (Chrome oder Firefox).
Zum Erhalt des Personenzertifikates ist ein Zertifizierungsantrag an die Zertifizierungsstelle für Systeme und Personal des TÜV Thüringen e.V. zu stellen. Wir unterstützen Sie gern bei der Beantragung.
Es gilt die Prüfungsordnung der Zertifizierungsstelle für Systeme und Personal des TÜV Thüringen e.V.
Jedes Modul ist auch einzeln buchbar. Das Personenzertifikat kann nur erworben werden, wenn alle Module besucht worden sind und die Prüfung erfolgreich absolviert wurde. Die Prüfung besteht aus einem Multiple-Choice-Test und einer Projektbearbeitung.
Seminarbuchung: Jetzt passenden Termin & Ort wählen
16.10.2023 - 27.10.2023
Live-Webinar
Details anzeigen
5.195,00 €
Nettopreis (zzgl. MwSt.)
Nettopreis (zzgl. MwSt.)
6.182,05 €
Bruttopreis (inkl. MwSt.)
Bruttopreis (inkl. MwSt.)
Veranstaltungsnummer: DIDI016.03
Preisdetails:
Im Preis enthalten ist Lehrmaterial in digitaler Form.
Seminar:
5.055,00 €
Prüfung:
140,00 €
Nettopreis:
5.195,00 €
zzgl. 19 % MwSt.:
987,05 €
Endpreis (Brutto)
inkl. 19 % MwSt.:
inkl. 19 % MwSt.:
6.182,05 €
Verwandte Seminare
Data Science mit Python
Freie Plätze : 100
Live-Webinar
Die durch die Digitalisierung zahlreicher Prozesse, Transaktionen und weiterer Anwendungsfälle entstehenden Datenmengen müssen ausgewertet und analysiert werden, um einen Mehrwert für Unternehmen und Einrichtungen zu schaffen.
Machine Learning und KI-Methoden
Freie Plätze : 100
Live-Webinar
Wichtige Unterstützung zur Analyse der Datenmassen geben maschinelle Lernverfahren, bei denen ein Algorithmus durch Wiederholung und vorgegebene Kriterien selbstständig lernt, eine Aufgabe zu erfüllen, ohne dass ein Lösungsweg vorgegeben ist.
Feature Engineering für Data Science
Freie Plätze : 100
Live-Webinar
Feature Engineering ist die Vorbereitung von Daten für die Verarbeitung in Machine Learning-Algorithmen und von hoher Bedeutung im gesamten Machine Learning-Prozess
AIoT - Digitale Signalverarbeitung für KI-Algorithmen
Freie Plätze : 100
Live-Webinar
KI-Methoden werden eingesetzt, um verflochtene Zusammenhänge datengetrieben zu lernen und die Grenzen klassischer mathematischer Modelle zu überwinden.
Process Mining: Grundlagen und Anwendungen
Freie Plätze : 100
Live-Webinar
Die voranschreitende Digitalisierung wirkt sich auf nahezu jedes Unternehmen aus. Digitale Anwendungen hinterlassen eine riesige Datenmenge, die es auszuwerten gilt, um Prozesse zu verbessern.
Künstliche Intelligenz (KI) – Überblickswissen und Grundlagen für künftige Arbeitswelten
Freie Plätze : 100
Live-Webinar
Die Teilnehmer erlangen Kenntnisse zur Funktionsweise von KI-Systemen und zu ihren aktuellen Einsatzmöglichkeiten, aber auch zu den Herausforderungen in der Entwicklung sowie den Grenzen.