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.

Lernen Sie Python - die beliebteste Programmiersprache und für Data Science und Softwareentwicklung.

Anwenden der Python-Programmierlogik Variablen, Datenstrukturen, Verzweigungen, Schleifen, Funktionen, Objekte und Klassen.

Beherrschen Sie den Umgang mit Python-Bibliotheken wie Pandas und Numpy und entwickeln Sie Code mit Jupyter Notebooks.

Greifen Sie mit Hilfe von APIs und Python-Bibliotheken wie Beautiful Soup auf Daten zu und scrapen Sie sie im Web.

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.

Entwickeln Sie Python-Code für die Bereinigung und Vorbereitung von Daten für die Analyse - einschließlich der Behandlung fehlender Werte, Formatierung, Normalisierung und Binning von Daten

Führen Sie explorative Datenanalysen durch und wenden Sie analytische Techniken auf reale Datensätze an, indem Sie Bibliotheken wie Pandas, Numpy und Scipy verwenden

Manipulieren Sie Daten mithilfe von Datenrahmen, fassen Sie Daten zusammen, verstehen Sie die Datenverteilung, führen Sie Korrelationen durch und erstellen Sie Datenpipelines

Erstellen und bewerten Sie Regressionsmodelle mit der Scikit-Learn-Bibliothek für maschinelles Lernen und verwenden Sie diese für Vorhersagen und 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

Beschreiben Sie die verschiedenen Arten von Algorithmen des maschinellen Lernens und wann Sie diese einsetzen sollten

Vergleichen und kontrastieren Sie lineare Klassifizierungsmethoden, einschließlich Multiklassenvorhersage, Support Vector Machines und logistische Regression.

Schreiben Sie Python-Code, der verschiedene Klassifizierungstechniken wie K-Nächste Nachbarn (KNN), Entscheidungsbäume und Regressionsbäume implementiert.

Bewerten Sie die Ergebnisse einfacher linearer, nicht-linearer und multipler Regressionen auf einem Datensatz anhand von Bewertungsmetriken.

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.

Nutzen Sie generative KI-Tools wie GPT 3.5, ChatCSV und tomat.ai, die Data Scientists für die Abfrage und Aufbereitung von Daten zur Verfügung stehen

Untersuchen Sie reale Szenarien, in denen generative KI datenwissenschaftliche Arbeitsabläufe verbessern kann

Üben Sie generative KI-Fähigkeiten in praktischen Übungen und Projekten, indem Sie Datensätze für bestimmte Anwendungsfälle erstellen und erweitern

Anwendung generativer KI-Techniken bei der Entwicklung und Verfeinerung von Modellen für maschinelles Lernen

Beschreiben Sie die Rolle eines Datenwissenschaftlers und einige Karrieremöglichkeiten sowie die voraussichtlichen Chancen in diesem Bereich.

Erläutern Sie, wie Sie eine Grundlage für die Stellensuche schaffen, einschließlich der Recherche von Stellenangeboten, dem Verfassen eines Lebenslaufs und der Erstellung einer Arbeitsmappe.

Fassen Sie zusammen, was ein Bewerber während eines typischen Vorstellungsgesprächszyklus erwarten kann, welche Arten von Vorstellungsgesprächen es gibt und wie man sich auf Vorstellungsgespräche vorbereitet.

Erklären Sie, wie Sie ein effektives Vorstellungsgespräch führen, einschließlich Techniken zur Beantwortung von Fragen und einer professionellen persönlichen Präsentation.