Die Themen:

• Python-Grundlagen (Python I): Einführung in die Programmierung mit Python. Vermittlung grundlegender Konzepte wie Entwicklungsumgebungen (Jupyter, VS Code), Variablen, Datentypen, Kontrollstrukturen, Datenstrukturen und Funktionen. Festigung der Inhalte durch kleine praxisorientierte Programmierprojekte.
• Python für Datenanalyse (Python II): Einführung in die Datenanalyse mit Python unter Verwendung von NumPy und Pandas. Arbeiten mit DataFrames, Datenimport aus verschiedenen Quellen sowie Bereinigung, Filterung und Aggregation von Daten. Erste Visualisierungen und praxisnahe Analysen anhand realer Datensätze.
• SQL & Datenbanken: Einführung in relationale Datenbanken und SQL. Vermittlung grundlegender Konzepte wie Tabellen, Beziehungen und relationale Modelle sowie zentrale SQL-Befehle zum Abfragen und Verändern von Daten. Praxisnahe Arbeit mit Datenbanken und Anbindung an Python für analytische Auswertungen.
• Statistik-Grundlagen: Einführung in grundlegende statistische Konzepte zur Datenanalyse. Behandlung von Lage- und Streuungsmaßen, Wahrscheinlichkeiten und wichtigen Verteilungsarten. Praxisnahe Anwendung durch Berechnungen und einfache Analysen in Python sowie unterstützende Visualisierungen.
• Statistik für Data Science: Vertiefung statistischer Methoden für datengetriebene Analysen. Behandlung von Stichproben und Grundgesamtheiten, Schätzverfahren, Konfidenzintervallen sowie zentralen Hypothesentests. Anwendung statistischer Modelle und Regressionsverfahren in Python mit Fokus auf Interpretation und praktische Auswertung realer Daten.

• Data Visualization & Storytelling: Einführung in die verständliche und wirkungsvolle Visualisierung von Daten. Erstellung von Diagrammen, Dashboards und Reports mit gängigen Tools und Bibliotheken. Vermittlung grundlegender Gestaltungs- und Storytelling-Prinzipien zur adressatengerechten Präsentation von Analyseergebnissen.

• Machine Learning: Einführung in grundlegende Konzepte des maschinellen Lernens. Überblick über überwachte und unüberwachte Lernverfahren sowie zentrale Modelltypen für Klassifikation, Regression und Clustering. Praxisnahe Umsetzung einfacher Machine-Learning-Workflows in Python inklusive Modelltraining und -bewertung.
• Deep Learning & Deployment: Einführung in neuronale Netze und grundlegende Deep-Learning-Konzepte. Arbeit mit gängigen Frameworks zur Modellierung, Optimierung und Bewertung von Modellen. Sensibilisierung für ethische Fragestellungen sowie erster Einblick in das Deployment und die Präsentation von KI-Modellen.
• Agiles Programmierprojekt: Umsetzung eines praxisnahen Projekts in einem agilen Entwicklungsprozess. Von der Problemdefinition über Planung, Prototyping und Testing bis zur Umsetzung von Analyse- und Modellierungsschritten. Abschluss durch Dokumentation der Ergebnisse sowie Präsentation und Pitch vor einem Fachpublikum.