CompTIA DataAI

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

Für eine optimale Teilnahme am Kurs empfehlen wir folgende Vorkenntnisse:

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

• Data Scientist