Data Literacy

• Einführung in Python für Data Science
  • Einführung in Python, IPython und Jupyter
  • Einführung in data-science Bibliotheken wie NumPy, Pandas, Matplotlib und SciPy
     
• Datenmanipulation und Visualisierung
  • Datenbereinigung und preprocessing
  • Datenrepräsentation und -visualisierung
     
• Feature Engineering
  • Explorative Datenanalyse
  • Skalierung und Normierung von Merkmalen
     
• Applied Machine Learning in Python
  • Kategorien von Machine Learning
  • Einführung in Scikit-Learn
  • Regression
    • Lineare, polynomielle und logistische Regression
    • Optimierung von Gradienten-Verfahren
    • The curse of dimensionality
    • Regularisierung
       
  • Klassifizierung
    • Parametrische und nicht-parametrische Modelle
    • Modell-Validierung
    • Random Forests
       
  • Dimensionsreduktion
     
  • Clustering
    • K-means
    • Hierarchische Clusteranalyse

Für alle, die im Bereich Datenverarbeitung Kompetenzen auf akademischem Niveau erwerben und in ihrem Unternehmen einbringen wollen. Das Modul wendet sich dabei explizit an Absolvent*innen aller Disziplinen. Von den vermittelten Data Literacy-Kompetenzen profitieren Personen aller Studienfächer und Sektoren.

• Sie gewinnen ein praktisches Verständnis dafür, wie Daten bearbeitet, manipuliert und statistisch analysiert werden.
• Sie lernen verschiedene Regressionsverfahren, Klassifikations- und Clustering-Methoden kennen und wenden geeignete Algorithmen zur Problemlösung an.
• Sie entwickeln ein Grundverständnis für den Lebenszyklus des maschinellen Lernens – von der Datenverarbeitung bis zum Export eines trainierten Modells.
• Sie lernen, wie man Methoden zur Reduktion der Merkmalsraumdimension wie "Principal Component Analysis" einsetzt.
• Sie lernen das Problem des "Curse of Dimensionality" kennen und erfahren, wie das Risiko, ein "overfitted" oder "biased" Modell zu trainieren, vermieden werden kann.
• Sie profitieren von einem hohen Praxisbezug, indem Sie anhand eigener Daten die geeignete Datenverarbeitung, das Feature-Engineering und das Modelltraining auswählen und implementieren.

Grundkenntnisse in Programmiersprachen und Mathematik

Die Prüfungsleistung besteht aus einer Projektarbeit, in der das theoretisch erworbene Wissen praktisch angewendet wird.

Bei Absolvierung aller Präsenztage und dem erfolgreichen Ablegen der Prüfungsleistung erhalten die Teilnehmenden das Hochschulzertifikat "Data Literacy". Das Zertifikat wird mit zehn Credit Points (ECTS) bewertet, die bei einer späteren Hochschulausbildung ggf. angerechnet werden können.

Der Kurs findet in deutscher oder englischer Sprache statt.

Prof. Dr. Roland Mandl, OTH Regensburg, Fakultät Elektro- und Informationstechnik

Ghassan Al-Falouji, wissenschaftlicher Mitarbeiter an der OTH Regensburg am Laboratory of Safe and Secure Systems (LaS³) sowie am Laboratory of Smart Embedded Systems (SES)

 Al-Falouji verfolgt derzeit zwei Ph.D. im Bereich Machine Learning und Künstliche Intelligenz und im Bereich Heterogeneous Embedded Systems. Neben der Lehre in Machine Learning und Programmierung für Ingenieur*innen war er bereits ebenso als wissenschaftlicher Mitarbeiter am Lehrstuhl für Komplexe und Intelligente Systeme der Universität Passau tätig.

Die Teilnehmenden sollten einen eigenen Laptop oder ein eigenes Tablet mitbringen. Voraussetzung ist ein aktuelles Betriebssystem.

09. - 11. September 2021
17. - 18. September 2021
24. - 25. September 2021

3.500 € (inkl. Unterlagen und Zertifikatsgebühr)

Hier können Sie sich anmelden.