Der Kurs Data Science bietet den Rahmen, um aus Daten Wert zu schaffen. Nach einer Einführung behandelt der Kurs, wie geeignete Anwendungsfälle identifiziert und die Leistung von datengesteuerten Methoden bewertet werden. Der Kurs behandelt Techniken für die technische Verarbeitung von Daten und stellt dann fortgeschrittene mathematische Techniken und ausgewählte Methoden der künstlichen Intelligenz vor, die zur Datenanalyse und für Vorhersagen verwendet werden.

1. Einführung Data Science
   1. Überblick über Data Science
   2. Tätigkeiten der Data Science
   3. Datenquellen
   4. Deskriptive Statistik
2. Use Cases und Bewertung
   1. Data Science Use Cases (DSUCs)
   2. Bewertung
3. Datenvorverarbeitung
   1. Übermittlung von Daten
   2. Datenqualität, Bereinigung und Transformation
   3. Datenvisualisierung
4. Verarbeitung von Daten
   1. Stufen der Datenverarbeitung
   2. Methoden und Arten der Datenverarbeitung
   3. Ausgabeformate der verarbeiteten Daten
5. Ausgewählte mathematische Techniken
   1. Hauptkomponentenanalyse
   2. Clusteranalyse
   3. Lineare Regression
   4. Zeitreihenanalyse
   5. Methoden zur Datentransformation
6. Ausgewählte Techniken der künstlichen Intelligenz
   1. Stütz-Vektor-Maschinen
   2. Künstliche neuronale Netze
   3. Weitere Ansätze

Python ist eine der vielseitigsten und am weitesten verbreiteten Skriptsprachen. Seine klare und übersichtliche Syntax sowie sein geradliniges Design tragen wesentlich zu diesem Erfolg bei und machen ihn zu einer idealen Sprache für die Programmierausbildung. Die Anwendungsgebiete reichen von der Webentwicklung bis hin zum wissenschaftlichen Rechnen. Insbesondere in den Bereichen Datenwissenschaft und künstliche Intelligenz ist sie die gebräuchlichste Programmiersprache, die von allen wichtigen Datenverarbeitungs- und Analyseframeworks unterstützt wird. Dieser Kurs bietet eine gründliche Einführung in die Sprache und ihre Hauptfunktionen sowie Einblicke in die Begründung und Anwendung wichtiger angrenzender Konzepte wie Umgebungen, Tests und Versionskontrolle.

1. Einführung in Python
   1. Datenstrukturen
   2. Konditionaler Code
   3. Funktionen
   4. Schleifen
   5. Eingabe/Ausgabe
   6. Programme protokollieren
   7. Module und Pakete
2. Klassen und Vererbung
   1. Namespaces und Scopes
   2. Klassen und Vererbung
   3. Iteratoren und Generatoren
3. Fehler und Ausnahmen
   1. Syntaxfehler
   2. Behandlung und Auslösung von Ausnahmen
   3. Benutzerdefinierte Ausnahmen
4. Wichtige Pythin-Bibliotheken
   1. Standard-Python-Bibliothek
   2. Wissenschaftliche Berechnungen
   3. Beschleunigung von Python
   4. Visualisierung
   5. Zugriff auf Datenbanken
5. Arbeiten mit Python
   1. Virtuelle Umgebungen
   2. Verwaltung von Paketen
   3. Unit- und Integrationstests
   4. Dokumentation des Codes
6. Versionskontrolle
   1. Einführung in die Versionskontrolle
   2. Versionskontrolle mit GIT

Daten werden oft als das "neue Öl" bezeichnet, der Rohstoff, aus dem Wert geschaffen wird. Um die Macht der Daten zu nutzen, müssen die Daten auf technischer Ebene gespeichert und verarbeitet werden. Dieser Kurs stellt die vier "Vs" von Daten sowie typische Datenquellen und -typen vor.

Dieser Kurs behandelt dann, wie Daten in Datenbanken gespeichert werden. Besonderes Augenmerk wird auf Datenbankstrukturen und verschiedene Arten von Datenbanken gelegt, z.B. relationale, noSQL, NewSQL und Zeitreihen. Neben klassischen und modernen Datenbanken deckt dieser Kurs eine breite Palette von Speicher-Frameworks ab, wie z.B. verteilte Dateisysteme, Streaming und Query-Frameworks. Ergänzt wird dies durch eine ausführliche Diskussion der Datenspeicherformate, die von klassischen Ansätzen wie CSV und HDF5 bis hin zu moderneren Ansätzen wie Apache Arrow und Parquet reichen. Schließlich gibt dieser Kurs einen Überblick über verteilte Computerumgebungen, die auf lokalen Clustern, Cloud Computing-Einrichtungen und containerbasierten Ansätzen basieren.

1. Datentypen und Datenquellen
   1. Die „4 Vs“ der Daten
   2. Datenquellen
   3. Datentypen
   4. Datenintegration
2. Datenbanken
   1. Datenbankstrukturen
   2. Relationale Datenbanken
   3. NoSQL-Datenbanken
   4. NewSQL-Datenbanken
   5. Zeitreihendatenbanken
3. 3. Datenformate
   1. Allgemeine Unterscheidung von Dateien
   2. Traditionelle Datenformate
   3. Spaltenweise Datenformate
   4. Fortgeschrittene Serialisierungframeworks
4. Datenverarbeitungs-Frameworks
   1. Verteilte Datensysteme
   2. Streaming-Frameworks
   3. Query-Frameworks
   4. Weitere Processing-Frameworks
5. Aufbau skalierbarer Infrastrukturen
   1. Containerbasierte Ansätze
   2. Clusterbasierte Ansätze
   3. Big-Data-Architekturen

Die Entwicklung eines erfolgreichen datenbasierten Produkts erfordert eine beträchtliche Menge an hochwertigem Code, der in einer professionellen Produktionsumgebung ausgeführt werden muss. Dieser Kurs beginnt mit der Einführung der agilen Ansätze Scrum und Kanban und diskutiert dann den Übergang von eher traditionellen Softwareentwicklungsansätzen zur DevOps-Kultur.

Besonderer Fokus liegt auf der Diskussion und dem Verständnis von Techniken und Ansätzen zur Erzeugung von qualitativ hochwertigem Code wie Unit- und Integrationstests, testgetriebene Entwicklung, Paarprogrammierung sowie kontinuierliche Bereitstellung und Integration.

Da viele Software-Artefakte über APIs angesprochen werden, werden in diesem Kurs Konzepte des API-Designs und Paradigmen vorgestellt.

Schließlich behandelt dieser Kurs die Herausforderungen, Code in eine Produktionsumgebung zu bringen, eine skalierbare Umgebung aufzubauen und Cloud-basierte Ansätze zu verwenden.

1. Agile Projektleitung
   1. Einführung in SCRUM
   2. Einführung in Kanban
2. DevOps
   1. Traditionelles Lifecycle-Management
   2. Zusammenführung von Entwicklung und Betrieb
   3. Auswirkungen der Teamstruktur
   4. Aufbau einer DevOps-Infrastruktur
3. Software-Entwicklung
   1. Unit- und Integrationstest, Leistungsüberwachung
   2. Testgetriebene Entwicklung & Paarprogrammierung
   3. Kontinuierliche Lieferung & Integration
   4. Übersicht über die relevanten Werkzeuge
4. API
   1. API-Design
   2. API-Paradigmen
5. Vom Modell zur Produktion
   1. Aufbau einer skalierbaren Umgebung
   2. Modellversionierung und Persistenz
   3. Cloud-basierte Ansätze