CompTIA DataAI

Ziele der Schulung

In dieser 2-tägigen Schulung "CompTIA DataAI" erhalten Sie einen umfassenden Einblick in die zentralen Methoden, Konzepte und Anwendungen der modernen Data Science und Künstlichen Intelligenz. Ziel der Schulung ist es, Sie in die Lage zu versetzen, Daten analytisch zu verstehen, aussagekräftige Modelle zu entwickeln und die Ergebnisse professionell zu kommunizieren. Dabei werden grundlegende mathematische und statistische Methoden vermittelt, darunter Wahrscheinlichkeitsrechnung, lineare Algebra, Analysis sowie zeitbasierte Modelle, um Daten korrekt zu modellieren und zu interpretieren.

Darüber hinaus lernen Sie praxisorientierte Techniken der Datenexploration und -aufbereitung kennen, einschließlich Feature Engineering, Skalierung, Datenanreicherung und Umgang mit typischen Datenproblemen wie Ausreißern oder fehlenden Werten. Ein Schwerpunkt liegt auf der Anwendung von Machine-Learning-Methoden, sowohl im überwachten als auch im unüberwachten Lernen, einschließlich Deep Learning, Entscheidungsbäumen, Clustering und Dimensionsreduktion.

Ein weiterer Fokus der Schulung liegt auf den organisatorischen und technischen Prozessen der Datenanalyse, einschließlich Data Ingestion, Data Wrangling, DevOps- und MLOps-Praktiken sowie verschiedenen Deployment-Umgebungen. Abgerundet wird die Schulung durch spezialisierte Anwendungen der Data Science, wie Optimierung, Natural Language Processing (NLP), Computer Vision und fortgeschrittene Analysen, um Ihnen praxisnahe Einsatzmöglichkeiten für unterschiedliche Geschäftsszenarien zu vermitteln.

Nach Abschluss der Schulung sind Sie in der Lage, datenbasierte Problemstellungen systematisch zu analysieren, geeignete Modelle zu entwickeln, deren Ergebnisse verständlich zu präsentieren und die erlernten Methoden in realen Projekten anzuwenden.

Zielgruppe Seminar

• Data Scientist

Voraussetzungen

Für eine optimale Teilnahme am Kurs empfehlen wir folgende Vorkenntnisse:

• 5 Jahre Erfahrung im Bereich Data Science oder einer ähnlichen Rolle werden empfohlen

Seminarinhalt

Mathematik und Statistik

Statistical methods

• Anwendung von t-tests
• Anwendung von chi-squared tests
• analysis of variance (ANOVA)
• hypothesis testing
• regression metrics
• gini index
• entropy
• p-value
• receiver operating characteristic / area under the curve (ROC/AUC)
• akaike information criterion / bayesian information criterion (AIC/BIC)
• confusion matrix

Probability and modeling

• distributions
• skewness
• kurtosis
• heteroskedasticity
• probability density function (PDF)
• probability mass function (PMF)
• cumulative distribution function (CDF)
• missingness
• oversampling
• stratification

Linear algebra and calculus

• rank
• eigenvalues
• matrix operations
• distance metrics
• partial derivatives
• chain rule
• logarithms

Temporal models

• time series
• survival analysis
• causal inference

Modellierung, Analyse und Ergebnisse

EDA methods

• exploratory data analysis (EDA)
• univariate analysis
• multivariate analysis
• charts
• graphs
• feature identification

Data issues

• Analyse von sparse data
• non-linearity
• seasonality
• granularity
• outliers

Data enrichment

• feature engineering
• scaling
• geocoding
• data transformation

Model iteration

• design
• evaluation
• selection
• validation

Results communication

• Erstellung von visualizations
• Auswahl geeigneter data
• Vermeidung von deceptive charts
• accessibility

Machine Learning

Foundational concepts

• loss functions
• bias-variance tradeoff
• regularization
• cross-validation
• ensemble models
• hyperparameter tuning
• data leakage

Supervised learning

• linear regression
• logistic regression
• k-nearest neighbors (KNN)
• naive bayes
• association rules

Tree-based learning

• decision trees
• random forest
• boosting
• bootstrap aggregation (bagging)

Deep learning

• artificial neural networks (ANN)
• dropout
• batch normalization
• backpropagation
• deep-learning frameworks

Unsupervised learning

• clustering
• dimensionality reduction
• singular value decomposition (SVD)

Operations und Prozesse

Business functions

• compliance
• key performance indicators (KPIs)
• requirements gathering

Data types

• generated data
• synthetic data
• public data

Data ingestion

• pipelines
• streaming
• batching
• data lineage

Data wrangling

• cleaning
• merging
• imputation
• ground truth labeling

Data science life cycle

• workflow models
• version control
• clean code
• unit tests

DevOps und MLOps

• continuous integration / continuous deployment (CI/CD)
• model deployment
• container orchestration
• performance monitoring

Deployment environments

• containerization
• cloud
• hybrid
• edge
• on-premises deployment

Spezialisierte Anwendungen der Data Science

Optimization

• constrained optimization
• unconstrained optimization

NLP concepts

• natural language processing (NLP)
• tokenization
• embeddings
• term frequency-inverse document frequency (TF-IDF)
• topic modeling
• NLP applications

Computer vision

• optical character recognition (OCR)
• object detection
• tracking
• data augmentation

Other applications

• graph analysis
• reinforcement learning
• fraud detection
• anomaly detection
• signal processing

Hinweise

Prüfung und Zertifizierung

Dieser Kurs bereitet Sie auf die CompTIA DataAI Prüfungen vor. Die Prüfungsgebühr ist nicht im Preis enthalten.

Informationen zur Prüfung

• Anzahl der Fragen: Maximal 90 Fragen
• Art der Fragen: Multiple-Choice- und leistungsbasiert
• Dauer: 165 Minuten
• Bestandene Punktzahl: Nur bestanden/nicht bestanden (keine skalierte Punktzahl)
• Empfohlene Erfahrung: 5+ Jahre Erfahrung in Data Science oder einer ähnlichen Rolle werden empfohlen.
• Sprachen: Englisch

Open Badge für dieses Seminar - Ihr digitaler Kompetenznachweis

Seminare kurz vor der Durchführung

23.02. - 24.02.2026	Hamburg		Anfragen
23.03. - 24.03.2026	Köln		Anfragen
20.04. - 21.04.2026	Köln		Anfragen
06.05. - 07.05.2026	Nürnberg		Anfragen