Data Science Mentoring Programm – Vom Unternehmensdatensatz zur ersten Data-Science-Lösung

Ziele der Schulung

Das "Data Science Mentoring Programm – Vom Unternehmensdatensatz zur ersten Data-Science-Lösung" unterstützt Sie dabei, eigene Data-Science-Kompetenzen aufzubauen und datenbasierte Lösungen für Ihre eigenen Geschäftsanforderungen zu entwickeln.

Anders als klassische Data-Science-Schulungen verbindet dieses Programm methodisches Grundlagenwissen mit praktischer Anwendung auf eigene oder praxisnahe Unternehmensdaten. Die Teilnehmer lernen, Daten professionell aufzubereiten, Analysen durchzuführen und erste Machine-Learning-Modelle zu entwickeln.

Über einen Zeitraum von rund acht Wochen wechseln sich intensive Präsenztage mit begleiteten Praxisphasen ab. Dadurch entsteht ausreichend Zeit, das Gelernte direkt anzuwenden, eigene Fragestellungen zu bearbeiten und gemeinsam mit erfahrenen Mentoren Lösungsansätze weiterzuentwickeln.

Die Teilnehmer durchlaufen den vollständigen Data-Science-Prozess – von der Datenanalyse über die Modellierung und Bewertung bis zur Entwicklung erster Prototypen. Dabei lernen sie auch, wie KI-gestützte Werkzeuge moderne Data-Science-Projekte unterstützen können.

Am Ende des Programms verfügen die Teilnehmer über praktische Data-Science-Erfahrung, eigene Analyseergebnisse sowie erste verwertbare Machine-Learning-Lösungen, die als Grundlage für weitere KI- und Digitalisierungsprojekte im Unternehmen dienen können.

Dieses Programm passen wir bei Bedarf auf Ihre individuelle Situation und Ihr Unternehmen an.

Zielgruppe Seminar

Das Programm richtet sich an Mitarbeiter und Teams, die Daten systematischer analysieren und für datenbasierte Entscheidungen nutzen möchten.

Geeignet ist das Programm insbesondere für:

• Fachkräfte aus Produktion, Qualität, Vertrieb, Logistik, Service und Controlling
• Business Analysten
• Data Analysts
• Mitarbeiter aus IT- und Digitalisierungsbereichen
• Nachwuchs-Data-Scientists
• Fachbereiche mit Interesse an datenbasierten Lösungen

Das Programm eignet sich besonders für Unternehmen, die eigene Anwendungsfälle mit realen Daten entwickeln und Data-Science-Kompetenzen nachhaltig im Unternehmen aufbauen möchten.

Grundlegende technische Affinität ist hilfreich. Programmier- oder Machine-Learning-Kenntnisse werden nicht vorausgesetzt.

Voraussetzungen

• Grundlegende IT- und Datenaffinität
• Interesse an datenbasierten Analysen und KI-Anwendungen
• Bereitschaft, mit eigenen Fragestellungen oder Unternehmensdaten zu arbeiten

Programmierkenntnisse in Python oder Erfahrungen mit Data Science sind hilfreich, aber nicht erforderlich. Die notwendigen Grundlagen werden innerhalb des Programms vermittelt.

Seminarinhalt

Programmablauf

Vorbereitungsphase und Zieldefinition

Vor Beginn des Programms findet ein gemeinsames Abstimmungsgespräch statt. Dabei werden die organisatorischen und fachlichen Rahmenbedingungen definiert.

Gemeinsam werden unter anderem folgende Punkte geklärt:

• Welche Ziele verfolgt das Unternehmen mit dem Programm?
• Welche Teilnehmer und Fachbereiche sind beteiligt?
• Welche Daten und Fragestellungen stehen zur Verfügung?
• Welche technischen Voraussetzungen müssen geschaffen werden?
• Welche Anwendungsfälle eignen sich für die praktische Bearbeitung?
• Welche Ergebnisse sollen am Ende des Programms erreicht werden?

Bereits in dieser Phase werden mögliche Data-Science-Anwendungsfälle identifiziert und priorisiert.

Phase 1: Grundlagen für Data Science schaffen (3 Tage)

In der ersten Programmphase entwickeln die Teilnehmer eine gemeinsame methodische und technische Grundlage.

Python für Data Science

• Einrichtung der Entwicklungsumgebung
• Grundlagen der Programmiersprache Python
• Arbeiten mit Jupyter Notebooks
• Datenstrukturen und Funktionen
• Einlesen und Verarbeiten von Daten

Datenanalyse und Datenaufbereitung

• Arbeiten mit Pandas
• Datenbereinigung und Datenqualität
• Datenaufbereitung für Analysen
• Explorative Datenanalyse
• Berechnung relevanter Kennzahlen

Datenvisualisierung

• Visualisierung von Analyseergebnissen
• Diagramme mit Matplotlib
• Aussagekräftige Darstellung von Daten
• Automatisierte Visualisierungen

Einführung in Machine Learning

• Grundlagen des überwachten Lernens
• Klassifikation
• Regression
• Trainings- und Testdaten
• Bewertung von Modellen
• Typische Vorgehensweisen in Data-Science-Projekten

Bereits während dieser Phase entwickeln die Teilnehmer erste eigene Analysen und lernen den typischen Ablauf realer Data-Science-Projekte kennen.

Phase 2: Praxis- und Coachingphase – Eigene Data-Science-Lösungen entwickeln (3 Tage)

In dieser Phase bearbeiten die Teilnehmer selbstständig vorbereitete Aufgaben oder eigene Unternehmensdaten, zum Beispiel aus Verkauf, Produktion, Qualität, Logistik oder Service.

Transferphase 1: Eigene Daten analysieren

Nach der Grundlagenphase übertragen die Teilnehmer das Wissen auf eigene Fragestellungen.

Mögliche Anwendungsfälle:

• Analyse von Verkaufsdaten
• Auswertung von Produktionsdaten
• Untersuchung von Qualitätskennzahlen
• Analyse von Sensordaten
• Kundendaten analysieren
• Service- und Logistikdaten auswerten

Die Teilnehmer dokumentieren ihre Ergebnisse und bereiten die nächsten Entwicklungsschritte vor.

Coaching-Session 1: Feedback und Weiterentwicklung

Die erarbeiteten Lösungen werden gemeinsam analysiert und weiterentwickelt.

Im Mittelpunkt stehen:

• Diskussion der Lösungswege
• Analyse technischer und fachlicher Herausforderungen
• Optimierung von Datenaufbereitung und Visualisierung
• Verbesserung der Analyseergebnisse
• Austausch von Erfahrungen zwischen den Teilnehmern

Transferphase 2: Machine Learning anwenden

In der zweiten Praxisphase entwickeln die Teilnehmer erste Machine-Learning-Lösungen.

Mögliche Szenarien:

• Absatzprognosen
• Nachfrageprognosen
• Kundenklassifikation
• Churn Prediction
• Preisprognosen
• Qualitätsvorhersagen

Dabei lernen die Teilnehmer den vollständigen Workflow kennen:

• Datenvorbereitung
• Auswahl geeigneter Modelle
• Training
• Bewertung
• Interpretation der Ergebnisse

Coaching-Session 2: Modelle bewerten und verbessern

Die entwickelten Modelle werden gemeinsam überprüft und optimiert.

Themen:

• Bewertung der Modellqualität
• Fehleranalyse
• Feature Engineering
• Optimierungsmöglichkeiten
• Interpretation von Ergebnissen
• Grenzen und Einsatzmöglichkeiten von Machine Learning

Transferphase 3: Entwicklung eines eigenen Data-Science-Prototyps

• In der abschließenden Praxisphase bearbeiten die Teilnehmer möglichst selbstständig eine komplexere Fragestellung.
• Je nach Unternehmenssituation kann daraus ein erster Prototyp für einen zukünftigen produktiven Einsatz entstehen.

Abschluss: Ergebnisse sichern und nächste Schritte planen

Zum Abschluss werden die Ergebnisse zusammengeführt und weitere Entwicklungsmöglichkeiten betrachtet.

Themen:

• Automatisierung von Machine-Learning-Prozessen mit AutoML
• AutoML mit AutoGluon
• Automatisierung von Modelltraining
• Wiederverwendung und Weiterentwicklung von Notebooks
• Übergabe von Ergebnissen an Fachbereiche und IT
• Zusammenarbeit zwischen Data Scientists, Fachbereichen und Data Engineers
• Empfehlungen für den weiteren Kompetenzaufbau

Abschließend werden nächste Schritte definiert, um Data Science und KI nachhaltig im Unternehmen zu etablieren.

Open Badge für dieses Seminar - Ihr digitaler Kompetenznachweis

Durch die erfolgreiche Teilnahme an einem Kurs bei IT-Schulungen.com erhalten Sie zusätzlich zu Ihrem Teilnehmerzertifikat ein digitales Open Badge (Zertifikat) – Ihren modernen Nachweis für erworbene Kompetenzen.

Ihr Open Badge ist jederzeit in Ihrem persönlichen und kostenfreien Mein IT-Schulungen.com-Konto verfügbar. Mit wenigen Klicks können Sie diesen digitalen Nachweis in sozialen Netzwerken teilen, um Ihre Expertise sichtbar zu machen und Ihr berufliches Profil gezielt zu stärken.

Übersicht: Data Science Schulungen Portfolio

Mehr zu den Vorteilen von Badges

Seminare kurz vor der Durchführung