Data Science und Business Analytics - Aufbau

Der Aufbaulehrgang Data Science und Business Analytics vermittelt vertiefendes Wissen und zusätzliche Kompetenzen für Interessierte, die bereits erste Erfahrungen im Bereich Data Science gesammelt haben oder seit Längerem in diesem Feld tätig sind. Er eignet sich ideal als Aufbaukurs für Teilnehmende, die bereits den Lehrgang „Data Science und Business Analytics“ besucht haben.

Der Aufbaukurs richtet sich an Teilnehmende mit Vorkenntnissen in Data Science und vertieft zentrale praxisrelevante Themen. Behandelt werden unter anderem Zeitreihenanalyse und -forecasting (klassische Verfahren sowie Machine-Learning- und Transformer-Ansätze), der praktische Einsatz von Large Language Models (LLMs) im Unternehmensumfeld inklusive Benchmarking, RAG-Anwendungen, Agentensysteme für Data-Science-Analysen sowie die professionelle Organisation von Python-Projekten (Clean Code, Module, Tests, Dokumentation).
Alle praktischen Übungen finden in einer Jupyter-Notebook-Umgebung statt.

Nach Abschluss des Kurses sind die Teilnehmenden in der Lage,

• Zeitreihenforecasting mit modernen, Transformer-basierten Methoden durchzuführen
• LLMs mit Datenbanken und Textquellen sinnvoll zu kombinieren
• Agentensysteme für konkrete Unternehmensaufgaben zu entwickeln
• Python-Code und Data-Science-Projekte professionell zu strukturieren

Kenntnisse, wie sie im Lehrgang „Data Science und Business Analytics“ vermittelt werden.

Modul 1: Forecasting für Zeitreihen

• Zentrale Begriffe der Zeitreihenanalyse: Trend, Saisonalität, Residuen, Kovariaten
• Additive vs. multiplikative Modelle
• Stationarität von Zeitreihen
• Lag-Plots und Autokorrelationsplots
• Umgang mit fehlenden Werten und Ausreißern
• Naive Zeitreihenforecasting-Methoden als Basismodelle
• Einführung in klassische Modelle wie ARIMA
• Moderne Zeitreihenforecasting-Modelle (z. B. Transformer): Funktionsweise und praktische Anwendung
• Unterschied zwischen One-Step- und Multi-Step-Forecasting
• Umgang mit multivariaten Zeitreihen

 Modul 2: Large Language Models (LLMs)

• Überblick über verfügbare LLMs
• Auswahl geeigneter LLMs für den Einsatz im Unternehmen
• Benchmarking von LLMs, z. B. mit DeepEval
• Textvektorisierung in der Praxis
• Zusammenführung von Text- und tabellarischen Daten für Forecasts
• Nutzung von LLMs zum Aufruf eigener Funktionen (z. B. für Datenbankabfragen)

 Modul 3: Agenten

• Von statischen Prompts zu autonomen Agenten
• Einführung in moderne Agentensysteme
• Einsatz von LLMs als Reasoning-Engine
• Grenzen klassischer Chatbots
• Überblick über Agenten-Frameworks wie OpenAI Agents, LangGraph und LlamaAgents
• Praxisbeispiel: Entwicklung eines Data-Analyst-Agenten

Modul 4: Clean Coding mit Python für Data-Science-Projekte

• Unterschiede zwischen imperativer, prozeduraler und objektorientierter Programmierung (OOP)
• Organisation von Code in eigenen Python-Modulen
• Automatische Erstellung von Code-Dokumentationen
• Systematisches Testen von Code
• Clean-Coding-Prinzipien: Theorie und praktische Anwendung
• Umgang mit virtuellen Python-Umgebungen für unterschiedliche Projekte

Prof. Dr. Jürgen Brauer

64

€ 3.200,-

Online