Dieses Modul konzentriert sich darauf, die Lernenden mit praktischen Fähigkeiten zur Datenverarbeitung und -manipulation auszustatten. Die Lernenden werden in pandas, eine leistungsstarke Python-Bibliothek, als zentrales Werkzeug für die Datenmanipulation eingeführt. Die Lernenden lernen den Umgang mit pandas dataFrames und beherrschen wesentliche Operationen wie Indizierung, Slicing und Filterung von Daten. Sie erlangen ein gründliches Verständnis der verschiedenen Indizierungstechniken (loc, iloc, boolesche Indizierung) und ihrer entsprechenden Anwendungen. Das Modul betont die Bedeutung der Datenbereinigung für eine genaue Analyse und führt die Lernenden durch verschiedene Techniken zur Identifizierung und Behandlung fehlender Werte und Ausreißer. Außerdem werden verschiedene Datentypen in Python behandelt, damit die Lernenden eine fundierte Auswahl für ihre Analysen treffen können. Die Lernenden üben das Laden, Überprüfen und Transformieren von Datensätzen mit Hilfe von Pandas-Funktionen und wenden diese Fähigkeiten auf reale Szenarien an. Am Ende dieses Moduls können die Lernenden Pandas sicher einsetzen, um Daten zu bereinigen, umzuwandeln und für die anschließende Analyse und Visualisierung vorzubereiten und so die Integrität und Zuverlässigkeit der Daten in ihren Datenanalyseprojekten zu gewährleisten.

Dieses Modul konzentriert sich auf die grundlegende Fähigkeit der Datenvisualisierung. Die Lernenden untersuchen eine Vielzahl von Visualisierungstypen, wie Liniendiagramme, Balkendiagramme und Streudiagramme, und lernen, wie sie die effektivsten für verschiedene Daten und Analyseziele auswählen können. Das Modul bietet einen Vergleich beliebter Visualisierungsbibliotheken, einschließlich Matplotlib, Plotly und Bokeh, und hebt die einzigartigen Stärken jeder dieser Bibliotheken hervor, um den Lernenden die Auswahl des richtigen Tools zu erleichtern. Die Lernenden sammeln praktische Erfahrungen bei der Erstellung von Visualisierungen mit Matplotlib und beherrschen die Grundlagen der Plotanpassung für eine klare und informative Kommunikation. Das Modul stellt auch fortgeschrittene Techniken mit Plotly und Bokeh vor, die es den Lernenden ermöglichen, interaktive und stark angepasste Visualisierungen zu entwerfen. Es betont die Bedeutung der effektiven Kommunikation von Dateneinblicken und lehrt die Lernenden, wie man mit Daten Erzählungen konstruiert. Die Lernenden werden in die besten Praktiken für das Design von Datenvisualisierungen eingeführt, um sicherzustellen, dass ihre Visualisierungen klar, informativ und ansprechend sind. Am Ende dieses Moduls werden die Lernenden in der Lage sein, Daten in aussagekräftige Visualisierungen umzuwandeln, die eine effektive Kommunikation und fundierte Entscheidungsfindung unterstützen.

Dieses Modul vermittelt den Lernenden ein grundlegendes Verständnis der generativen KI, ihrer Anwendungen und ethischen Implikationen sowie praktische Techniken, um sie in der Datenanalyse und -visualisierung zu nutzen. Die Lernenden werden die Kernkonzepte der generativen KI erforschen, einschließlich Transformatormodelle, große Sprachmodelle (LLMs) und natürliche Sprachverarbeitung (NLP). Sie werden sich mit den Unterschieden zwischen generativer KI und anderen KI-Typen auseinandersetzen und reale Anwendungen in verschiedenen Bereichen untersuchen. Das Modul betont auch die ethischen Überlegungen im Zusammenhang mit generativer KI und behandelt Themen wie Eigentum, Authentizität und verantwortungsvolle Nutzung von KI-generierten Inhalten. Darüber hinaus werden die Lernenden praktische Erfahrungen mit Techniken zur Generierung synthetischer Daten unter Verwendung generativer adverser Netzwerke (GANs) und anderer Modelle sammeln und Methoden zur Datenerweiterung erforschen, um die Größe und Vielfalt von Datensätzen zu erhöhen und letztendlich die Leistung von Machine-Learning-Modellen zu verbessern.

Dieses Modul vermittelt ein grundlegendes Verständnis des maschinellen Lernens, seiner Anwendungen und der Erstellung grundlegender Modelle. Die Lernenden lernen Kernkonzepte wie überwachtes und unüberwachtes Lernen kennen, befassen sich mit Techniken zur Modellbewertung anhand von Metriken wie Precision, Recall und F1-Score und sammeln praktische Erfahrungen bei der Erstellung linearer und logistischer Regressionsmodelle mit Scikit-learn. Darüber hinaus behandelt das Modul die Verwendung synthetischer Daten beim maschinellen Lernen, einschließlich ethischer Überlegungen und praktischer Anwendungen.