Data Science und Business Analytics - Aufbau
Durchgeführt von WIFI Vorarlberg
Beschreibung
In diesem Aufbaukurs für Data Science und Business Analytics vertiefst du dein Wissen und entwickelst zusätzliche Fähigkeiten, die für den praktischen Einsatz in Unternehmen relevant sind. Der Kurs richtet sich an Teilnehmende mit Vorkenntnissen, die bereits Erfahrungen im Bereich Data Science gesammelt haben. Du wirst Themen wie Zeitreihenanalyse, -forecasting, Machine Learning und den Einsatz von Large Language Models (LLMs) behandeln. Praktische Übungen finden in einer Jupyter-Notebook-Umgebung statt, was dir ermöglicht, das Gelernte direkt anzuwenden. Am Ende des Kurses bist du in der Lage, komplexe Data-Science-Projekte professionell zu strukturieren und zu implementieren.
Tags
#Python #Machine-Learning #Data-Science #Business-Analytics #Large-Language-Models #Forecasting #Zeitreihenanalyse #Agentensysteme #Jupyter-Notebook #Clean-CodingTermine
Kurs Details
Teilnehmende mit Vorkenntnissen in Data Science Personen, die den Lehrgang Data Science und Business Analytics besucht haben Fachkräfte, die ihre Kenntnisse im Bereich Zeitreihenanalyse vertiefen möchten Interessierte an Machine Learning und LLMs Entwickler:innen von Data-Science-Projekten
Der Kurs behandelt fortgeschrittene Konzepte der Data Science und Business Analytics, einschließlich der Analyse und Vorhersage von Zeitreihen, Machine Learning Techniken und den praktischen Einsatz von LLMs. Ziel ist es, die Teilnehmenden mit den Fähigkeiten auszustatten, um komplexe Datenanalysen durchzuführen und Data-Science-Projekte effektiv zu managen.
- Was sind die zentralen Begriffe der Zeitreihenanalyse?
- Erkläre den Unterschied zwischen One-Step- und Multi-Step-Forecasting.
- Welche Kriterien sind bei der Auswahl geeigneter LLMs für Unternehmen wichtig?
- Wie funktioniert ein autonomer Agent im Vergleich zu einem statischen Prompt?
- Nenne einige Prinzipien des Clean Coding in Python.
- Was sind die Herausforderungen beim Umgang mit multivariaten Zeitreihen?
- Beschreibe den Einsatz von LLMs als Reasoning-Engine.
