Data Science: Daten­modellierung und Machine Learning

Passt der Kurs zu dir?

1. 1
   Mathematik auf Oberstufenniveau mit linearer Algebra, Ableitungen und Wahrscheinlichkeitsrechnung, weil Regression und neuronale Netze darauf beruhen.
2. 2
   Programmierkenntnisse in Python oder die Bereitschaft, sie in einem Vorkurs aufzubauen, bevor Machine Learning beginnt.
3. 3
   Wenn dein Betrieb KI-Systeme einsetzt: Die KI-Verordnung der EU verpflichtet Anbieter und Betreiber, nach besten Kräften für ausreichende KI-Kompetenz ihres Personals zu sorgen; frage, ob dein Kurs dafür einen Nachweis ausstellt.

Das lernst du

1. 1
   Datenwissenschaft mit maschinellem Lernen: Datenmodellierung und fortgeschrittenes maschinelles Lernen
2. 2
   Dieser Kurs bietet eine eingehende Untersuchung der Datenmodellierung und fortgeschrittener maschineller Lerntechniken und vermittelt den Lernenden die Fähigkeiten, komplexe ML-Modelle zu entwerfen, zu trainieren und zu optimieren. Die Teilnehmer sammeln praktische Erfahrungen mit Python, Deep-Learning-Frameworks und Modellbewertungsstrategien.
3. 3

   Kursmodule

   Einführung in Python für Datenwissenschaft und maschinelles Lernen
   Erlernen der Python-Syntax, Datenstrukturen und Funktionen für KI-Anwendungen.
   Arbeiten mit Python-Bibliotheken wie Pandas, NumPy und Scikit-learn.
   Einrichten von Python-Umgebungen mit Jupyter Notebooks und Anaconda.
   Grundlagen der Datenmodellierung
   Verstehen von Datenmodellierungskonzepten für maschinelles Lernen.
   Lernen, wie man Daten vorverarbeitet, bereinigt und transformiert.
   Anwenden von Feature-Engineering und -Auswahl zur Verbesserung der Modellleistung.
   Techniken des überwachten Lernens
   Implementieren Sie lineare Regression, Entscheidungsbäume und Support-Vector-Machines (SVMs).
   Lernen Sie Ensemble-Learning-Techniken wie Random Forest und Gradient Boosting kennen.
   Optimieren Sie die Modellleistung durch Hyperparameter-Tuning und Kreuzvalidierung.
   Unüberwachtes Lernen und Clustering
   Verstehen Sie Clustering-Techniken wie K-Means und hierarchisches Clustering.
   Lernen Sie Methoden zur Dimensionsreduktion wie PCA und t-SNE kennen.
   Erkunden Sie reale Anwendungen des unüberwachten Lernens.
   Deep Learning und neuronale Netze
   Verstehen Sie die Architektur künstlicher neuronaler Netze (ANNs).
   Arbeiten Sie mit TensorFlow und Keras, um Deep-Learning-Modelle zu erstellen.
   Trainieren und optimieren Sie Modelle mithilfe von Convolutional Neural Networks (CNNs) und Recurrent Neural Networks (RNNs).
   Fortgeschrittene Techniken des maschinellen Lernens
   Implementieren Sie Transferlernen zur Verbesserung von Deep-Learning-Modellen.
   Erkunden Sie generative gegnerische Netzwerke (GANs) und Autoencoder.
   Arbeiten Sie an der Verarbeitung natürlicher Sprache (NLP) und der Zeitreihenprognose.
   Modellbewertung und -optimierung
   Erfahren Sie mehr über den Kompromiss zwischen Verzerrung und Varianz und über Strategien zur Verbesserung der Modellgenauigkeit.
   Erkunden Sie Leistungskennzahlen wie Präzision, Rückruf und F1-Score.
   Optimieren Sie die Modelleffizienz mithilfe von Rastersuche und zufälligen Suchtechniken.
   Praktische Projekte zum fortgeschrittenen maschinellen Lernen
   Fortgeschrittene ML-Modelle auf reale Datensätze anwenden.
   KI-gesteuerte End-to-End-Lösungen entwickeln.
   ML-Modelle für Geschäftsanwendungen evaluieren und bereitstellen.
   Datenmodellierung und fortgeschrittenes maschinelles Lernen bilden die Basis für die Anwendung komplexer ML-Modelle in realen Szenarien.

1. 1

   Aachen

   19.10.2026 · Blended Learning · Vollzeit · 1–3 Monate · über 10.000 €

2. 2

   Bielefeld

   19.10.2026 · Blended Learning · Vollzeit · 1–3 Monate · über 10.000 €

3. 3

   Bonn

   19.10.2026 · Blended Learning · Vollzeit · 1–3 Monate · über 10.000 €

4. 4

   Dresden

   19.10.2026 · Blended Learning · Vollzeit · 1–3 Monate · über 10.000 €

5. 5

   Duisburg

   19.10.2026 · Blended Learning · Vollzeit · 1–3 Monate · über 10.000 €

Förderwege

Wer deinen Kurs zahlt

Brutto im Monat

Mitte und Viertel bundesweit

3 Schritte vom Kurs in den Beruf

1. 1

   Vorhersagen aus Daten bauen

   Du trainierst Modelle, die etwa Nachfrage, Maschinenausfälle oder Kündigungen vorhersagen, und misst ihre Güte mit Daten, die das Modell vorher nicht gesehen hat. Dabei lernst du auch, wann ein einfaches lineares Modell genügt. Beispiel: Ein Händler plant mit deinem Modell die Bestellmenge für die nächste Saison.

2. 2

   Datenpipelines und Cloud

   Die Kombikurse mit Data Engineering zeigen, wie Daten aus Datenbanken, Logdateien und Schnittstellen automatisch in eine Analyseumgebung fließen. Cloud-Data-Science-Kurse ergänzen SQL-Datenbanken und Rechenleistung auf Abruf. Beispiel: Du richtest eine Pipeline ein, die Sensordaten einer Maschine stündlich bereinigt und speichert.

3. 3

   Modelle erklären und verantworten

   Du prüfst Trainingsdaten auf Verzerrungen und fehlende Werte und machst nachvollziehbar, welche Merkmale ein Ergebnis treiben. Bei Entscheidungen über Menschen, etwa zu Krediten oder Bewerbungen, achtest du zusätzlich auf Datenschutz und Gleichbehandlung. Beispiel: Du zeigst dem Vertrieb, welche Merkmale die Vorhersage eines Kündigungsrisikos am stärksten beeinflussen.

Themen

Arbeitsmarkt

Data Scientist bundesweit in Zahlen