Data Science

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
   Weiterbildung im Bereich Data Science: Als Data Scientist nutzen Sie Daten strategisch - um Prozesse zu verbessern, Erkenntnisse zu gewinnen und KI gezielt im Unternehmen einzusetzen.
2. 2
   Diese Weiterbildung qualifiziert Sie für die Rolle als Data Scientist. Sie lernen, relevante Daten zu analysieren, Machine-Learning-Modelle anzuwenden, Ergebnisse verständlich zu interpretieren und daraus geschäftsrelevante Entscheidungen abzuleiten. Als Data Scientist verbinden Sie analytisches Denken, technisches Know-how und wirtschaftliche Relevanz - und nutzen Künstliche Intelligenz gezielt zur datenbasierten Optimierung von Prozessen, Produkten und Strategien.
3. 3

   Schwerpunkte der Weiterbildung zum Data Scientist

   Data Science & KI - Grundlagen & Anwendung
   Einordnung von Data Science, Machine Learning & KI
   Überblick über Verfahren & Anwendungsgebiete
   Business-Fragestellungen in datenbasierte Modelle übersetzen
   Data Science als Brücke zwischen Technik & Entscheidungsfindung
   Grundlagen der Statistik: Lageparameter, Streuung, Zusammenhänge
   Datenanalyse & Datenaufbereitung
   Datenquellen erkennen, verstehen und kombinieren
   Bereinigung, Transformation & Visualisierung
   Werkzeuge: Pandas, NumPy, Jupyter Notebooks
   Programmieren mit Python, objektorientierte Grundlagen
   Datenqualität, Datenethik & Feature Engineering
   Einführung in Machine Learning
   Supervised / Unsupervised Learning - typische Verfahren
   Klassifikation, Regression, Clustering verstehen und anwenden
   Modellauswahl: kNN, Entscheidungsbäume, SVM & Ensemble-Methoden
   Trainings- und Testdatensätze, Modellvalidierung
   Scikit-learn, Hyperparameteroptimierung & Modellinterpretation
   KI-Anwendung, Tools & Zusammenarbeit
   Wie Unternehmen heute KI einsetzen - Use Cases & Tools
   Integration von ML-Modellen in Prozesse
   Modelle erklären & kommunizieren (Explainable AI)
   Zusammenarbeit mit Entwicklung, IT & Management
   Grundlagen agiler Zusammenarbeit mit Scrum
   Praxisorientierte Einführung in Jira zur Projektsteuerung
   Versionskontrolle und Code-Kollaboration mit Git und GitHub Flow
   Business Impact & Datenstrategie
   Wie Daten echten Mehrwert schaffen
   Bewertung von Use Cases nach Aufwand, Nutzen & Umsetzbarkeit
   Datengestützte Entscheidungsunterstützung
   Data Scientist als Brücke zwischen Analyse, Fachbereich & Wirkung
   Was Sie erreichen
   Nach dieser Weiterbildung sind Sie in der Lage, datenbasierte Modelle gezielt anzuwenden, KI sinnvoll zu nutzen und daraus geschäftsrelevante Erkenntnisse abzuleiten. Als Data Scientist gestalten Sie datengetriebene Entscheidungsprozesse, kommunizieren auf Augenhöhe mit Fachbereichen und schaffen spürbaren Mehrwert im Unternehmen.

1. 1

   München

   12.10.2026 · Blended Learning · Vollzeit · 3–6 Monate · 5.000–10.000 €

2. 2

   München

   12.10.2026 · Blended Learning · Vollzeit · 3–6 Monate · 5.000–10.000 €

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