Data Science IT Schulung

Zielgruppe

Die Schulung richtet sich an Datenanalyst:innen, Softwareentwickler:innen und Ingenieur:innen, die fundierte Kenntnisse in Datenanalyse, Statistik und maschinellem Lernen aufbauen möchten.

Schulungsinhalte

• Statistik-Grundlagen, Explorative Datenanalyse, Visualisierung
• Datenaufbereitung, Feature Engineering
• ML-Modelle: Lineare & logistische Regression, SVM, Clustering, Entscheidungsbäume
• Modellbewertung (Accuracy, Precision, ROC, F1)
• Hyperparameter-Tuning, Feature Selection
• Einsatz gängiger Bibliotheken: pandas, scikit-learn, matplotlib

Details & Organisation

Lernziele nach dem Lehrbaummodell

Diese Lernziele orientieren sich am Lehrbaummodell (Ellmann 2022) und fördern nachhaltiges Lernen auf kognitiver, motivationaler und metakognitiver Ebene.

• Stamm: Planung & Motivation: Die Teilnehmenden erkennen den praktischen Nutzen datengetriebener Analyse- und Entscheidungsverfahren, formulieren persönliche Lernziele und sind motiviert, Data-Science-Methoden im Berufsalltag anzuwenden.
• Kommunikation: Die Lernenden diskutieren Datenvisualisierungen, interpretieren ML-Ergebnisse, reflektieren statistische Aussagen im Team und präsentieren Analyseergebnisse adressatengerecht.
• Material & Struktur: Die Teilnehmenden arbeiten mit strukturierten Notebooks, praxisnahen Datensätzen, Modelltutorials und Dokumentationen zu pandas, scikit-learn und matplotlib.
• Gedächtnis & Aufmerksamkeit: Kernkonzepte wie Regression, Klassifikation, Modellgüte oder Feature Engineering werden durch konkrete Anwendungsbeispiele, Wiederholungen und visuelle Darstellungen verankert.
• Aktivierung & Lernstörung: Die Teilnehmenden bereinigen, analysieren und modellieren reale Daten, experimentieren mit ML-Verfahren, reflektieren Fehlermodelle und entwickeln eine kritische Haltung zu automatisierten Entscheidungen.
• Gipfel: Überprüfung & Transfer: Die Lernenden evaluieren ihre Modelle mit Metriken wie Accuracy oder F1-Score, dokumentieren Erkenntnisse und reflektieren Anwendungsszenarien für datenbasierte Entscheidungen in ihrem Fachbereich.

Kursbezogene Ziele

• Kompetenter Umgang mit Daten und ML-Algorithmen
• Systematische Datenaufbereitung und Modellierung
• Verständnis für die Bewertung und Optimierung von ML-Modellen

Quelle des Lehrbaummodells zur Gestaltung effektiver Lehre in der IT vom Inhaber: M. Ellmann (2022).
Effektives Lehren und Lernen in der Informatik, Wirtschaftsinformatik und verwandten Fachgebieten.
Veröffentlicht in: Informatik Spektrum, Springer Nature.
SPRINGER NATURE Link: https://doi.org/10.1007/s00287-022-01436-5

Nächste Kurstermine

Hinweis: Gesetzliche Feiertage wurden bei der Terminberechnung automatisch berücksichtigt.

Startzeitraum	Kontakt
25 Aug 2025 bis 29.08.2025 5 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
08 Sep 2025 bis 12.09.2025 5 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
22 Sep 2025 bis 26.09.2025 5 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
06 Oct 2025 bis 10.10.2025 5 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
20 Oct 2025 bis 24.10.2025 5 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.

Weiteren Termin anzeigen

Kein passender Termin dabei? Gerne prüfen wir individuelle Schulungswünsche.

Mathias Ellmann

Ing., M. Sc.