Curriculum
Das Zertifikat ist gemäß folgendem Curriculum aufgebaut. Weitere Informationen entnehmen Sie bitte dem
| Modul 1: Data Scientist’s Toolbox | ||
| Kurs | ECTS | Inhalte |
| Einführung in R | 0 ECTS | Einführung in R. |
| Einführung in Data Science mit R | 4 ECTS | Einführung in Data Science mit umfangreichem Überblick über alle Veranstaltungen. Einlesen und Verarbeiten von Daten in R, Visualisierung von Datenstrukturen, Erstellen von reproduzierbaren Auswertungen. |
| Modul 2: Statistische Modellierung | ||
| Kurs | ECTS | Inhalte |
| Regressionsmodelle | 4 ECTS | Lineare und nicht-lineare Regression, Einführung in Variablenselektion, Einführung in regularisierte Regressionsmodelle, Modellgüte, Re-Sampling-Methoden, Implementierung in R. |
| Generalisierte additive Modelle | 4 ECTS | Polynomfunktionen zur Modellierung von Einflussfaktoren in Regressionsmodellen, Splines, nicht-parametrische Modelle, Implementierung in R. |
| Bayesianische Statistik | 4 ECTS | Satz von Bayes, Bayesianische Regression, Markov Chain Monte Carlo-Methoden und Gibbs Sampling, Implementierung in R. |
| Modul 3: Machine Learning | ||
| Kurs | ECTS | Inhalte |
| Supervised Learning | 4 ECTS | Regularisierte Modelle, Variablenselektion, Neuronale Netze, Entscheidungsbäume und Random Forests, Bagging und Boosting |
| Beyond Supervised Learning | 4 ECTS | Clustering, Dimensionsreduktion, Einführung in Deep Learning, Generative Modelle |
| Modul 4: Praktische Anwendung | ||
| Kurs | ECTS | Inhalte |
| Data Science in der Praxis | 4 ECTS | Praktische Anwendung der in den ersten drei Modulen gelernten Methoden auf einen Datensatz in Gruppenarbeit. |
| Projektarbeit | 3 Monate, 8 ECTS | Eigenständige Erarbeitung eines Projekts und Auswertung eines Datensatzes mit entsprechender Präsentation in einem statistischen Bericht. |