Beschreiben Sie den Werkzeugkasten des Data Scientist, der Folgendes umfasst: Bibliotheken & Pakete, Datensätze, Modelle für maschinelles Lernen und Big Data-Tools

Verwendung von Sprachen, die von Datenwissenschaftlern häufig verwendet werden, wie Python, R und SQL

Demonstrieren Sie Kenntnisse über Tools wie Jupyter Notebooks und RStudio und nutzen Sie deren verschiedene Funktionen

Erstellen und verwalten Sie Quellcode für Data Science mit Git-Repositories und GitHub.

Beschreiben Sie, was eine Data Science-Methodik ist und warum Datenwissenschaftler eine Methodik benötigen.

Wenden Sie die sechs Stufen der Methodik des Cross-Industry Process for Data Mining (CRISP-DM) an, um eine Fallstudie zu analysieren.

Beurteilen Sie, welches Analysemodell unter den prädiktiven, deskriptiven und klassifizierenden Modellen zur Analyse einer Fallstudie geeignet ist.

Bestimmen Sie geeignete Datenquellen für Ihre datenwissenschaftliche Analysemethode.

Entwickeln Sie ein grundlegendes Verständnis der Python-Programmierung, indem Sie die grundlegende Syntax, Datentypen, Ausdrücke, Variablen und String-Operationen erlernen.

Anwendung der Programmierlogik von Python unter Verwendung von Datenstrukturen, Bedingungen und Verzweigungen, Schleifen, Funktionen, Ausnahmebehandlung, Objekten und Klassen.

Demonstration von Kenntnissen im Umgang mit Python-Bibliotheken wie Pandas und Numpy und Entwicklung von Code mit Jupyter Notebooks.

Greifen Sie auf webbasierte Daten zu und extrahieren Sie sie, indem Sie mit REST APIs arbeiten und Web Scraping mit BeautifulSoup durchführen.

Spielen Sie die Rolle eines Data Scientist / Datenanalysten, der an einem echten Projekt arbeitet.

Demonstrieren Sie Ihre Fähigkeiten in Python - der Sprache der Wahl für Data Science und Datenanalyse.

Wenden Sie die Grundlagen von Python, Python-Datenstrukturen und die Arbeit mit Daten in Python an.

Erstellen Sie ein Dashboard mit Python und Bibliotheken wie Pandas, Beautiful Soup und Plotly unter Verwendung des Jupyter-Notebooks.

Analysieren Sie Daten in einer Datenbank mit SQL und Python.

Erstellen Sie eine relationale Datenbank und arbeiten Sie mit mehreren Tabellen unter Verwendung von DDL-Befehlen.

Konstruieren Sie einfache bis mittelschwere SQL-Abfragen mit DML-Befehlen.

Erstellen Sie leistungsfähigere Abfragen mit fortgeschrittenen SQL-Techniken wie Views, Transaktionen, Stored Procedures und Joins.

Erstellen von Python-Programmen zum Bereinigen und Vorbereiten von Daten für die Analyse unter Berücksichtigung von fehlenden Werten, Formatierungsinkonsistenzen, Normalisierung und Binning

Analysieren Sie reale Datensätze durch explorative Datenanalyse (EDA) mit Bibliotheken wie Pandas, NumPy und SciPy, um Muster und Einblicke aufzudecken

Anwendung von Datenverarbeitungstechniken unter Verwendung von Datenrahmen zum Organisieren, Zusammenfassen und Interpretieren von Datenverteilungen, Korrelationsanalysen und Datenpipelines

Entwicklung und Bewertung von Regressionsmodellen mit Scikit-learn und Verwendung dieser Modelle zur Erstellung von Vorhersagen und zur Unterstützung datengesteuerter Entscheidungsfindung

Implementieren Sie Datenvisualisierungstechniken und Plots mit Python-Bibliotheken wie Matplotlib, Seaborn und Folium, um eine anregende Geschichte zu erzählen

Erstellen Sie verschiedene Arten von Diagrammen und Darstellungen wie Linien-, Flächen-, Histogramm-, Balken-, Torten-, Kasten-, Streu- und Blasendiagramme

Erstellen Sie erweiterte Visualisierungen wie Waffeldiagramme, Wortwolken, Regressionsdiagramme, Karten mit Markierungen und Choroplethenkarten

Erstellen Sie interaktive Dashboards mit Streu-, Linien-, Balken-, Blasen-, Torten- und Sunburst-Diagrammen mithilfe des Dash-Frameworks und der Plotly-Bibliothek

Erläuterung der wichtigsten Konzepte, Tools und Rollen im Bereich des maschinellen Lernens, einschließlich überwachter und nicht überwachter Lerntechniken.

Anwendung zentraler Algorithmen des maschinellen Lernens wie Regression, Klassifizierung, Clustering und Dimensionalitätsreduktion mit Python und scikit-learn.

Bewertung der Modellleistung unter Verwendung geeigneter Metriken, Validierungsstrategien und Optimierungstechniken.

Erstellen und bewerten Sie End-to-End-Lösungen für maschinelles Lernen auf realen Datensätzen durch praktische Übungen, Projekte und Evaluierungen.

Demonstrieren Sie Ihre Kenntnisse in Data Science und maschinellen Lerntechniken anhand eines realen Datensatzes und erstellen Sie einen Bericht für Interessengruppen.

Wenden Sie Ihre Fähigkeiten bei der Datenerfassung, der Datenverarbeitung, der explorativen Datenanalyse, der Entwicklung von Datenvisualisierungsmodellen und der Modellbewertung an

Schreiben Sie Python-Code, um Modelle für maschinelles Lernen zu erstellen, einschließlich Support Vector Machines, Entscheidungsbaum-Klassifikatoren und k-nearest neighbors

Bewerten Sie die Ergebnisse von Modellen für maschinelles Lernen zur Vorhersageanalyse, vergleichen Sie deren Stärken und Schwächen und ermitteln Sie das optimale Modell.