Data Science

.....für und mit Künstliche/r Intelligenz - Ihr nächster Entwicklungssprung im Umgang mit Daten und KI

Ob Marketing oder Controlling, Energiehandel oder öffentliche Verwaltung, Gesundheitswesen oder wissenschaftliche Forschung: Data-Science-Kenntnisse sind branchenübergreifend zu einem entscheidenden Erfolgsfaktor geworden. Wer Daten versteht und gezielt einsetzt, gestaltet die Zukunft seines Berufsfeldes aktiv mit.

Der Zertifikatskurs Data Science vermittelt genau das: praxisnahes Grundlagenwissen, das Sie in Ihrer täglichen Routine anwenden können. Über alle Fragestellungen und Module hinweg liegt ein besonderer Fokus auf dem kompetenten und kritischen Umgang mit Künstlicher Intelligenz – denn nicht alles, was KI liefert, hält einer fachlichen Prüfung stand.

Moderne KI-Sprachmodelle (LLMs) sind beeindruckende Werkzeuge – aber kein Ersatz für echte Datenanalyse. Sie arbeiten auf Basis von Sprachmustern und Wahrscheinlichkeiten, nicht auf Basis mathematischer Berechnungen. Hier besteht also ein erhebliches Risiko für fehlerhafte oder schlicht erfundene Ergebnisse. In diesem Kurs lernen Sie, KI richtig einzuschätzen und gezielt dort einzusetzen, wo sie wirklich Stärken hat.

Und das ist durchaus beeindruckend: Bei der Programmierung in R oder Python entfalten KI-Systeme ihr volles Potenzial – als intelligente Unterstützung beim Code-Schreiben, als universelles Nachschlagewerk und als geduldiger Erklärer bei Fehlermeldungen. Sie erlernen, wie Sie durch gezielte Prompts das Beste aus diesen Tools herausholen – effizient, praxisorientiert und zukunftssicher.

Das kompakte Weiterbildungsprogramm im Blended-Learning-Format (Präsenz- und Selbststudienphasen) umfasst drei - einzeln buchbare - Module von jeweils 8 Wochen. 

Der Zertifikatskurs "Data Science" umfasst folgende Module, die einzeln buchbar sind:

Modul 1: Die Teilnehmenden lernen Daten als zentralen Rohstoff der digitalen Transformation kennen und können Daten gegenüber Information und Wissen abgrenzen. Sie kennen die wichtigsten Datenquellen, beherrschen grundlegende Methoden des Datenzugriffs und beurteilen die Datenqualität kompetent. Ebenso (er-)kennen sie typische Fehlerquellen in der Datenhaltung und können diese konstruktiv beseitigen. Die Teilnehmenden kennen Methoden der Datenreinigung und -validierung, können sich einen Überblick über das Profil des Datensatzes  verschaffen und auswertungsbereite Datensätze erzeugen.

Technologisch steht die statistische Programmiersprache R und mit ihr das tidyverse-Ökosystem im Mittelpunkt. Die Teilnehmenden werden unterstützt, R-Programme mithilfe von KI-Werkzeugen in Python zu übersetzen und dabei die konzeptionelle Übertragbarkeit zu reflektieren. Analyseergebnisse werden mit Quarto dokumentiert und reproduzierbar gemacht. 

Die Teilnehmenden werden in die Nutzung relationaler Datenbanksysteme eingeführt und können Datenbankabfragen in der Structured Query Language (SQL) formulieren.    

Lehrinhalte Modul 1

• Daten, Information, Wissen - Grundbegriffe und Abgrenzungen
• Datentypen, Skalenniveaus, Transaktionsdaten, Open Data, Sensordaten
• Datenzugriff: Datenbankverbindungen, REST-APIs, Dateiformate und Encoding
• Datenqualität:Explorative Datenanalyse und Profililng
• Bad Data / Good Data: Typische Fehlerquellen, Risiken tabellenkalkulationsbasierter Datenverwaltung; gute Dateiorganisation
• Datenreinigung und -validierung:
  ...Bearbeitung von Zeichenketten,
  ...Funktionen für numerische Daten, Zeit- und Datumsangaben
  ...Deduplizierung und Entity Resolution
  ...Fehlende Werte
• Auswertungsbereite Datensätze: Tidy Data und Data Wrangling - Konversion, Selektion, Filterung, Aggregation, Neuanordnung und Erweiterung (Join, Union)
• SQL: Grundlagen und praktische Abfragen
• Technologie: R/tidyverse, Quarto, KI-gestützte Code-Übersetzung von R nach Python (Pandas)
• Überblick: Cloud-Datenspeicher und moderne ETL-Konzepte

Modul 2: Die Teilnehmenden wenden grundlegende Methoden der deskriptiven Statistik und der Wahrscheinlichkeitsrechnung an. Sie verstehen die Konzepte der bedingten Wahrscheinlichkeit und wenden das Theorem von Bayes auf praktische Fragestellungen an. Die Teilnehmenden kennen den Unterschied zwischen überwachtem und unüberwachtem Lernen und wenden Verfahren aus dem Data Mining – Assoziation, Klassifikation und Clusterung – kompetent an. Sie beurteilen Modelle anhand geeigneter Gütemaße und interpretieren Ergebnisse kritisch.

Die Teilnehmenden lernen kennen die Möglichkeiten und Grenzen der KI im Zusammenhang mit der Datenanalyse kennen und erhalten Wissen über algorithmische Verzerrung, Halluzinationen und regulatorische Rahmenbedingungen.

Technologisch steht R im Mittelpunkt. Die Teilnehmenden werden ermutigt, R-Programme mithilfe von KI-Werkzeugen in Python zu übersetzen und dabei die konzeptionelle Übertragbarkeit zu reflektieren.

Lehrinhalte Modul 2:

• Statistisches Fundament:
  Datenorganisation und Häufigkeitsverteilungen, Exploration
  Kennwerte: Lage, Streuung, Form und Symmetrie
  Kontingenz und Korrelation
  Regression als Brücke zum Data Mining
  Wahrscheinlichkeitsrechnung: Grundlagen, Zufallsvariablen, Verteilungen, Bayes-Regel

• Datentransformation:
  Normalisierung, Skalierung, z-Transformation
  Feature Selection und Feature Engineering

• Data Mining – die Workhorses:
  Assoziationsanalysen und Interessantheitsmasse
  Klassifikation: Entscheidungsbäume, Modellbewertung, Konfusionsmatrix, ROC-Analyse
  Clusteranalysen: Ähnlichkeits- und Distanzmaße

• KI in der Datenanalyse:
  Möglichkeiten und Risiken: Halluzinationen, Algorithmic Bias, falsches Konfidenzgefühl, Schmeichelei
  Regulatorischer Rahmen: EU AI Act aus der Anwenderperspektive

Modul 3: Die Teilnehmenden kennen relevante Aspekte visuellen Wahrnehmungspsychologie und wenden die Grundsätze guter Visualisierung eigenständig an. Sie können Daten in Tabellen übersichtlich darstellen und setzen Übersichts- und Referenztabellen zweckgerichtet ein. Die Teilnehmenden stellen raumbezogene statistische Daten in thematischen Karten dar.

Sie kennen die Grundregeln der Kommunikation analytischer Ergebnisse, sind mit den Konventionen des Schreibens über Zahlen vertraut und können Risiko und Unsicherheit angemessen kommunizieren. Sie kennen die Bandbreite der von Heuristiken und Verzerrungen ausgehenden Gefahren und entwickeln vor diesem Hintergrund eine fundierte Skepsis – auch gegenüber KI-generierten Visualisierungen und Texten. Sie können Storytelling in konkreten Projekten anwenden.

Die Teilnehmenden lernen die kritische Nutzung KI-Werkzeugen in Zusammenhang mit kommunikativen Fragestellungen. Das durch Wahrnehmungspsychologie und Gestaltungsprinzipien geschärfte Urteilsvermögen bildet die Grundlage zur Beurteilung von KI-generiertem Output.

Technologisch werden verschiedene Grafiksysteme von R vorgestellt. Quarto dient als Integrationsplattform für Text, Code und grafische Elemente. Die Teilnehmenden werden ermutigt, R-Programme mithilfe von KI-Werkzeugen in Python zu übersetzen und dabei die konzeptionelle Übertragbarkeit zu reflektieren

Lehrinhalte Modul 3:

• Visuelle Wahrnehmung und Kriterien guter Visualisierung: Wahrnehmungspsychologie, Tufte-Prinzipien, Grammar of Graphics
• Quarto: Integration von Text, Code und grafischen Elementen; reproduzierbare Analyseberichte
• Quantitative Kommunikation: Schreiben über Zahlen, Wortschatz, Maßeinheiten und Standards.
• Tabellen: Übersichts- und Referenztabellen, Lesestrategie
• Statistische Karten
• Kommunikation von Unsicherheit und Risiko
• Visualisierung multivariater Daten
• Heuristiken und Verzerrungen in der Ergebniskommunikation
• Storytelling mit Daten