Zurück
Infomaterial anfordern
Kurshandbuch
UPS-MCPDASCIEX
Data Science Masterclass
Inhaltsverzeichnis
  1. Weiterführende Mathematik
  2. Weiterführende Statistik
  3. Machine Learning
  4. Deep Learning
  5. Innovation und Entrepreneurship
  6. Seminar: Data Science und Gesellschaft
  7. Use Case und Evaluierung
  8. Projekt: Data Science Use Case
Fakten zur Weiterbildung

Weiterbildung: Einzelmodullehrgang aus M.Sc. Data Science (Quellstudiengang: 1110020c)

Kursart: Online-Vorlesung

Dauer: Vollzeit: 8 Monate / Teilzeit: 16 Monate

Wir bieten digitale Kursunterlagen an, um Ressourcen zu schonen und unseren Beitrag zum Umweltschutz zu leisten.

Niveau: Die Weiterbildung ist auf dem inhaltlichen Niveau eines Master Studiengangs.
Eine Weiterbildung auf Master-Niveau ist anspruchsvoller als auf Bachelor-Niveau. Vorhandenes Grundlagenwissen im gewählten Fachbereich ist deshalb von Vorteil.
Zugangsempfehlungen: Programmieren mit Python Grundlagen oder gleichwertige Vorkenntnisse

Praxis-Austausch: Wöchentlich diskutieren Praxisexpert:innen mit Teilnehmenden aus verschiedenen Weiterbildungen aktuelle Fragestellungen, Tools und praktische Fallbeispiele in 90-minütigen Online-Veranstaltungen.

Kurs: DLMDWWM01
Weiterführende Mathematik
Kursbeschreibung
Moderne Techniken zur Datenanalyse und zur Ableitung von Vorhersagen für zukünftige Ereignisse sind tief in mathematischen Techniken verwurzelt.
Kursinhalte
  1. Kalkül
    1. Differenzierung & Integration
    2. Teilweise Differenzierung & Integration
    3. Vektoranalyse
    4. Variationsrechnung
  2. Integrale Transformationen
    1. Faltung
    2. Fourier-Transformation
  3. Vektor-Algebra
    1. Skalare und Vektoren
    2. Addition, Subtraktion von Vektoren
    3. Multiplikation von Vektoren, Vektorprodukt, Skalarprodukt
  4. Vektorrechnung
    1. Integration von Vektoren
    2. Differenzierung von Vektoren
    3. Skalare und Vektorfelder
    4. Vektor-Operatoren
  5. Matrizen und Vektorräume
    1. Grundlegende Matrix Algebra
    2. Determinante, Spuren, Transponierte, Komplexe und Hermitianische Konjugate
    3. Eigenvektoren und Eigenwerte
    4. Diagonalisierung
    5. Tensoren
  6. Informationstheorie
    1. MSE
    2. Gini-Index
    3. Entropie, Shannon-Entropie, Kulback Leibler Distanz
    4. Kreuzentropie
Fakten zum Modul

Modul: Weiterführende Mathematik (DLMDWWM)

Niveau: Master

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Examen, 90 Minuten
Kurse im Modul:
  • DLMDWWM01 (Weiterführende Mathematik)
Kurs: DLMDWWS01
Weiterführende Statistik
Kursbeschreibung
Fast alle Prozesse in der Natur und technische oder wissenschaftliche Szenarien sind nicht deterministisch, sondern stochastisch. Daher müssen diese Prozesse in Form von Wahrscheinlichkeiten und Wahrscheinlichkeitsdichteverteilungen beschrieben werden.
Kursinhalte
  1. Einführung in die Statistik
    1. Wahrscheinlichkeitstheorie
    2. Kolmogorov-Axiome
    3. Wahrscheinlichkeitsverteilungen
    4. Stichproben und Statistiken
    5. Dimensionalitätsprobleme
    6. Hauptkomponentenanalyse und Diskriminanzanalyse
  2. Deskriptive Statistik
    1. Mittelwert, Median, Modus, Quantil
    2. Varianz, Schiefe, Kurtosis
  3. Wichtige Wahrscheinlichkeitsverteilungen und ihre Anwendungen
    1. Binomial- und Negative Binominal-Verteilung
    2. Gauß- oder Normalverteilung
    3. Poisson-, und Gamma-Poisson- und Exponentialverteilung
    4. Weibull-Verteilung
    5. Transformierte Zufallsvariabeln
  4. Bayessche Statistik
    1. Satz von Bayes
    2. Schätzen des Priors, Benfordsches Gesetzes und Jeffreys Regel
    3. Konjugierte Prioren
    4. Bayesscher und Frequentistischer Ansatz
  5. Datenvisualisierung
    1. Allgemeine Grundlagen
    2. Ein- und zweidimensionale Histogramme
    3. Box - und Violin-Plots
    4. Streu- und Profildiagramme
    5. Säulen- und Kuchendiagramme
  6. Parameterschätzung
    1. Maximum-Likelihood
    2. Gewöhnliche Methode der kleinsten Quadrate (OLS)
    3. Erwartungs-Maximierung (EM)
    4. Lasso und Ridge Regularisierung
    5. Fehlerfortpflanzung
  7. Hypothesentest
    1. Fehler der I. und II. Art
    2. p-Werte
    3. Multiple Hypothesentests
Fakten zum Modul

Modul: Weiterführende Statistik (DLMDWWS)

Niveau: Master

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Workbook
Kurse im Modul:
  • DLMDWWS01 (Weiterführende Statistik )
Kurs: DLMDWML01
Machine Learning
Kursbeschreibung
Das maschinelle Lernen ist ein wissenschaftliches Studiengebiet, das sich mit algorithmischen Techniken beschäftigt, die es Maschinen ermöglichen, die Leistung bei einer bestimmten Aufgabe durch die Entdeckung von Mustern oder Gesetzmäßigkeiten in exemplarischen Daten zu erlernen. Folglich stützen sich seine Verfahren in der Regel auf eine statistische Grundlage in Verbindung mit den Berechnungsmöglichkeiten moderner Computerhardware.
Kursinhalte
  1. Einführung in das maschinelle Lernen
    1. Regression & Klassifizierung
    2. Beaufsichtigtes und unbeaufsichtigtes Lernen
    3. Stärkung des Lernens
  2. Clustering
    1. Einführung in das Clustering
    2. K-Mittel
    3. Erwartungsmaximierung
    4. DBScan
    5. Hierarchisches Clustering
  3. Regression
    1. Lineare und nicht lineare Regression
    2. Logistische Regression
    3. Quantile Regression
    4. Multivariate Regression
    5. Lasso & Ridge Regression
  4. Unterstützung von Vektor-Maschinen
    1. Einführung in den Support von Vektor-Maschinen
    2. SVM für die Klassifizierung
    3. SVM für Regressionen
  5. Entscheidungsbäume
    1. Einführung in die Entscheidungsbäume
    2. Entscheidungsbäume für die Klassifizierung
    3. Entscheidungsbäume für die Regression
  6. Genetische Algorithmen
    1. Einführung in die genetischen Algorithmen
    2. Anwendungen genetischer Algorithmen
Fakten zum Modul

Modul: Machine Learning (DLMDWML)

Niveau: Master

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Examen, 90 Minuten
Kurse im Modul:
  • DLMDWML01 (Machine Learning)
Kurs: DLMDWDL01
Deep Learning
Kursbeschreibung
Neuronale Netzwerke und Deep-Learning-Ansätze haben in den letzten Jahren die Bereiche Datenwissenschaft und künstliche Intelligenz revolutioniert, und Anwendungen, die auf diesen Techniken aufbauen, haben in vielen Spezialanwendungen die menschliche Leistungsfähigkeit erreicht oder übertroffen.
Kursinhalte
  1. Einführung in das Neuronale Netzwerk und Deep Learning
    1. Das biologische Gehirn
    2. Perzeptron und mehrschichtige Perzeptrone
  2. Netzwerkarchitekturen
    1. Feed-Forward-Netze
    2. Neuronale Faltungsnetze
    3. Rekurrente neuronale Netze, Speicherzellen und LSTMs
  3. Training Neuronaler Netze
    1. Backpropagation und Gradientenabstieg
    2. Gewichtsinitialisierung
    3. Regularisierung und Übertraining
  4. Alternative Trainingsmethoden
    1. Aufmerksamkeit
    2. Feedback-Ausrichtung
    3. Synthetische Gradienten
    4. Entkoppelte Netzwerkschnittstellen
    5. Transfer Learning
  5. Weitere Netzwerkarchitekturen
    1. Generative Adversarial Networks
    2. Autoencoder
    3. Restricted Boltzmann Machines
    4. Kapsel-Netzwerke
    5. Spiking-Networks
Fakten zum Modul

Modul: Deep Learning (DLMDWDL)

Niveau: Master

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Fachpräsentation
Kurse im Modul:
  • DLMDWDL01 (Deep Learning)
Kurs: DLMBIED01-02
Innovation und Entrepreneurship
Kursbeschreibung
Die vierte industrielle Revolution ist durch grundlegende Innovationen gekennzeichnet. Diese setzen sich in einer globalisierten und digitalisierten Welt mit beeindruckender Geschwindigkeit durch und verändern Branchen, Märkte und Lebensweisen. Die Innovationskraft einer Volkswirtschaft ist damit ein wesentlicher Faktor für ihre Wettbewerbsstärke im globalen Kontext. Entrepreneure und ihr unternehmerisches Handeln sind der Motor dieser Innovationen. Durch die Fähigkeit, marktrelevante Lösungen zu entwickeln und Risiken einzugehen, treiben sie den Fortschritt voran. So ist es nicht verwunderlich, dass eine Reihe der größten Unternehmen auf Gründungen von Entrepreneuren zurückgehen. Auch jenseits der großen disruptiven Veränderungen spielen Entrepreneure und ihre Unternehmen eine volkswirtschaftlich große Rolle, da sie einen bedeutenden Teil der volkswirtschaftlichen Wertschöpfung generieren und zahlreiche Arbeitsplätze schaffen. So leisten sie nicht nur einen Beitrag zur technologischen Entwicklung, sondern sind auch ganz allgemein essenziell für das Funktionieren einer Volkswirtschaft. Dieser Kurs thematisiert Ideen und Motive unternehmerischer Tätigkeit. Er versetzt Studierende in die Lage, Methoden zur Bewertung und Umsetzung von innovativen Geschäftsideen anzuwenden. Er geht dabei vertiefend auf die Themen Finanzierung und digitale Geschäftsmodelle ein und schließt mit der Frage nach möglichen Exitszenarien.
Kursinhalte
  1. Innovation & Entrepreneurship
    1. Volkswirtschaftliche Bedeutung
    2. Arten von Innovation
    3. Entrepreneurship im Wandel der Zeiten
    4. Charakterisierung der Person des Entrepreneurs
  2. Von der Idee zur Firmengründung
    1. Geschäftsmodell, Unternehmens- und Patentstrategie
    2. Businessplan
    3. Rechtsformen und Entscheidungskriterien
    4. Gesellschaftsvertrag
    5. Gründungsprozess
  3. Finanzierungsoptionen
    1. Finanzierungsquellen und Unternehmensrisiko
    2. Eigenkapital und öffentliche Förderung
    3. Netzwerke und alternative Finanzierungsmodelle
    4. Institutionelle Investoren
  4. Finanzierungsprozess
    1. Finanzierungsprozess: Vom Erstkontakt zum Closing
    2. Due Diligence
    3. Unternehmensbewertung
    4. Beteiligungsvertrag und Kapitalerhöhung
  5. Digitale Revolution
    1. Definition, Merkmale und Enabler
    2. Entwicklungsstufen und Reifegradanalyse
    3. Innovationsmanagement: Stage Gate, Design Thinking, Scrum
    4. Kooperationen in der digitalen Welt
  6. Alles geklappt: Und nun?
    1. Exitoptionen
    2. Familienunternehmen und volkswirtschaftliche Bedeutung
    3. Nachfolge und Erbschaft
Fakten zum Modul

Modul: Innovation und Entrepreneurship (DLMBIED-02)

Niveau: Master

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Klausur, 90 Minuten
Kurse im Modul:
  • DLMBIED01-02 (Innovation und Entrepreneurship )
Kurs: DLMDWSDSS01
Seminar: Data Science und Gesellschaft
Kursbeschreibung
Anwendungen der Datenwissenschaft werden in nahezu allen Formen der wirtschaftlichen und sozialen Interaktion allgegenwärtig. Kreditwürdigkeit, Verbraucherverhaltensanalyse und Newsfeed-Kuration sind nur einige Beispiele. In diesem Seminar werden einige der gesellschaftlichen Auswirkungen dieser Entwicklungen untersucht. Der Kurs wird durch mehrere Artikel und Fallstudien ergänzt, die aktuelle Beispiele für die Auswirkungen der Datenwissenschaft auf die Gesellschaft beschreiben. Die Studierenden lernen, ausgewählte Themen und Fallstudien selbstständig zu analysieren und mit bekannten Konzepten zu verknüpfen, kritisch zu hinterfragen und zu diskutieren.
Kursinhalte
  • Das Seminar behandelt aktuelle Themen rund um die gesellschaftlichen Auswirkungen der Datenwissenschaft. Jeder Teilnehmer muss eine Seminararbeit zu einem ihm zugewiesenen Thema schreiben.
Fakten zum Modul

Modul: Seminar: Data Science und Gesellschaft (DLMDWSDSS)

Niveau: Master

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Seminararbeit
Kurse im Modul:
  • DLMDWSDSS01 (Seminar: Data Science und Gesellschaft)
Kurs: DLMDWUCE01
Use Case und Evaluierung
Kursbeschreibung
Die Bewertung und Definition von Use Cases ist die fundierte Grundlage, auf der die Projekte definiert werden können. Dazu gehören nicht nur der Umfang und die technischen Anforderungen eines Projekts, sondern auch, wie aus dem Projekt ein Wert abgeleitet werden kann.
Kursinhalte
  1. Anwendungsfallbewertung
    1. Identifizierung von Anwendungsfällen
    2. Festlegen der Anforderungen an den Anwendungsfall
    3. Datenquellen und Klassifizierung von Datenverarbeitung
  2. Modell-zentrale Bewertung
    1. Gemeinsame Metriken für Regression und Klassifizierung
    2. Visuelle Hilfen
  3. Geschäfts-zentrale Bewertung
    1. Kostenfunktion und optimale Punktschätzungen
    2. Auswertung über KPIs
    3. A/B-Test
  4. Überwachung
    1. Visuelle Überwachung mit Dashboards
    2. Automatisiertes Reporting und Alarmierung
  5. Vermeidung häufiger Irrtümer
    1. Kognitive Verzerrung
    2. Statistische Effekte
    3. Veränderungsmanagement: Transformation zu einem datengesteuerten Unternehmen
Fakten zum Modul

Modul: Use Case und Evaluierung (DLMDWUCE)

Niveau: Master

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Fachpräsentation
Kurse im Modul:
  • DLMDWUCE01 (Use Case und Evaluierung)
Kurs: DLMDWPDSUC01
Projekt: Data Science Use Case
Kursbeschreibung
In diesem Kurs wählen die Studierenden aus einer Vielzahl von Möglichkeiten eine Projektaufgabe in Abstimmung mit ihrem Tutor aus. Ziel ist es, ein datenwissenschaftliches Modell oder System prototypisch in einer geeigneten Entwicklungsumgebung zu implementieren. Die Wahl des Ansatzes, das implementierte System oder die implementierte Software und die daraus resultierende Leistung bei der Aufgabe sind zu begründen, zu erklären und in einem Projektbericht zu dokumentieren. Zu diesem Zweck nutzen die Studierenden das in den Vorlesungen erworbene Methodenwissen in der Praxis, indem sie es auf relevante reale Probleme anwenden.
Kursinhalte
  • In diesem Projektkurs arbeiten die Studierenden an der praktischen Umsetzung eines frei wählbaren Data Science Use Case. Alle relevanten Artefakte wie Use Case Evaluation, gewählte Implementierungsmethode, Code und Ergebnisse sind in Form eines schriftlichen Projektberichts zu dokumentieren.
Fakten zum Modul

Modul: Projekt: Data Science Use Case (DLMDWPDSUC)

Niveau: Master

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Portfolio
Kurse im Modul:
  • DLMDWPDSUC01 (Projekt: Data Science Use Case)

Jetzt Infomaterial anfordern

Schön, dass Du Deine Auswahl getroffen hast und mehr über Deine Weiterbildung bei der IU Akademie erfahren willst. Fordere jetzt Dein Infomaterial an: kostenlos und unverbindlich.
Voraussetzung für den Bildungsgutschein
Datenschutzhinweis

Ich habe die Datenschutzerklärung, sowie die Informationen zum Widerrufsrecht und zu den Verantwortlichen zur Kenntnis genommen.

* Pflichtfelder