Zurück
Infomaterial anfordern
Kurshandbuch
UPS-MDPDSMG
Data Science - Methodische Grundlagen
Inhaltsverzeichnis
  1. Weiterführende Mathematik
  2. Weiterführende Statistik
  3. Machine Learning
  4. Deep Learning
Fakten zur Weiterbildung

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

Kursart: Online-Vorlesung

Dauer: Vollzeit: 4 Monate / Teilzeit: 8 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: DE

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: DE

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: DE

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: DE

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Fachpräsentation
Kurse im Modul:
  • DLMDWDL01 (Deep Learning)

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