In diesem Abschnitt befassen wir uns mit strukturierten und unstrukturierten Daten, quantitativen und qualitativen Daten sowie den vier Datenebenen für eine effektive Analyse und Modellierung.

In diesem Abschnitt befassen wir uns mit den fünf Schritten der Datenwissenschaft und konzentrieren uns dabei auf die Problemdefinition, die Datenvorverarbeitung mit pandas sowie die effektive Datenvisualisierung und -kommunikation.

In diesem Abschnitt befassen wir uns mit grundlegenden mathematischen Konzepten wie Symbolen, Logarithmen, Mengenlehre und Matrixoperationen, die für die Modellierung und Analyse in der Datenwissenschaft unerlässlich sind.

In diesem Abschnitt befassen wir uns mit den Grundprinzipien der Wahrscheinlichkeitstheorie, vergleichen den frequentistischen und den bayesschen Ansatz und wenden Wahrscheinlichkeitsregeln an, um unsichere Ereignisse aus der realen Welt zu modellieren.

In diesem Abschnitt befassen wir uns mit fortgeschrittenen Konzepten der Wahrscheinlichkeitsrechnung wie dem Bayes-Theorem und Zufallsvariablen, wobei wir den Schwerpunkt auf deren Anwendung in Vorhersagemodellen und Entscheidungsprozessen legen.

In diesem Abschnitt befassen wir uns mit der unverzerrten Datenerhebung, Maßzahlen für die Lage und Streuung, Z-Werte sowie der empirischen Regel, um Daten effektiv zu analysieren und zu interpretieren.

In diesem Abschnitt befassen wir uns mit Hypothesentests, Konfidenzintervallen und dem zentralen Grenzwertsatz, um aus Stichprobendaten Rückschlüsse auf die Grundgesamtheit zu ziehen. Zu den Schlüsselkonzepten gehören Punktschätzungen und Stichprobenverteilungen für die datengestützte Entscheidungsfindung.

In diesem Abschnitt befassen wir uns mit Methoden zur effektiven Datenvermittlung. Dabei konzentrieren wir uns darauf, irreführende Visualisierungen zu erkennen, den Unterschied zwischen Korrelation und Kausalität zu verstehen und klare, aussagekräftige Darstellungen für unterschiedliche Zielgruppen zu erstellen.

In diesem Abschnitt befassen wir uns mit den Grundlagen des maschinellen Lernens, darunter Regression, Klassifizierung und Modellbewertung.

In diesem Abschnitt befassen wir uns mit dem Naiven-Bayes-Algorithmus, Entscheidungsbäumen und der Hauptkomponentenanalyse (PCA) zur Analyse und Vorhersage anhand realer Daten.

In diesem Abschnitt befassen wir uns mit Transferlernen und vortrainierten Modellen und konzentrieren uns dabei auf deren Anwendung bei ML-Aufgaben. Zu den wichtigsten Konzepten zählen BERT, GPT sowie die Anpassung von Modellen für Computer Vision und NLP.

In diesem Abschnitt befassen wir uns mit der Minderung algorithmischer Verzerrungen, dem Umgang mit Modell- und Datendrift sowie Strategien zum Aufbau fairer und robuster Machine-Learning-Systeme.

In diesem Abschnitt befassen wir uns mit strukturierten Ansätzen für Daten, maschinelles Lernen und Architektur-Governance, um die digitale Transformation voranzutreiben, die Einhaltung von Vorschriften sicherzustellen und durch effektives Management und effektive Kontrolle Mehrwert zu schaffen.

In diesem Abschnitt analysieren wir den COMPAS-Datensatz zur Erkennung von Verzerrungen und implementieren Text-Embeddings unter Verwendung von OpenAI-Modellen. Dabei konzentrieren wir uns auf die Standardisierung von Merkmalen, die Kodierung sowie praktische Anwendungen in der Datenwissenschaft.