CAS Data Science, Hochschule für Informatik FHNW

Dieses Modul zeigt dir de Grundlagen der Data Science: Warum ist sie so wichtig geworden? Welche Chancen und Risiken gibt es? Was Bedeutet der Begriff Data Science eigentlich, und wo liegt der Unterschied zu Big Data?
Wir zeigen dir neben Chancen, Herausforderungen und Limitierungen auch typische Anwendungsfelder und Beispiele aus Forschung und Wirtschaft. Du erhälst eine zudem eine Einführung in Python als Data-Science-Umgebung.

Hier bekommst du die mathematische Grundlagen für Data Science: Welche bedeutung haben Vektoren? Wie funktionieren Matrizen als methematische Operatoren? Was versteckt sich hinter Begriffen wie Matrizenprodukt, Inverse, Rang, Determinante? Daneben beschäftigen wur uns mit:

• Lösung von linearen Gleichungssystemen mit Matrizen und Vektoren
• Lineare Abbildungen und ihre geometrische Bedeutung
• Eigenwerte, Eigenvektoren und Diagonalisierung symmetrischer Marizen
• Auseinandersetzung mit dem Numpy-Paket für Python

Hier lernst du deskriptive Statistik, Zufallsgrössen und Wahrscheinlichkeitsverteilungen kennen. Prüfe Erwartungswerte mit Parametertests.

Du erhälst eune Einführung ins Data Mining:

• Was bringt Data Mining?
• Wie funktioniert die Aufwertungskette des Data Minings?

Erstelle mit Objektmengen Market Basket Analysis, finde Assoziaionsregeln in Daten und nutze Data-Mining Modelle! Zu allen vorgestellten Übungen gibt es praktische Übungen, die dein Wissen vertiefen.

Grundlagen

Was sind Muster in Daten? Hier lernst du, wie du Häufigkeiten und Relevanz von Mustern erkennst und bewertest.

Du findest beispielsweise Muster in strukurellen Daten wie:

• Strings
• Trees
• Graphs

hierfür gibt es Live Demos der Algorithmen an verschiedenen Tools und Übungen zu den vorgestellten Verfahren

Fortgeschrittene Anwendungen

In diesem Abschnitt lernst du mehr zu:

Klassifikationsmethoden:

• Logische Regression
• Naïve Bayes
• Decision Trees und Random Forrests
• Support Vector Machines

Dimensionsreduktion und Clustering:

• Methoden zur Dimensionsreduktion wie PCA, NMF
• Clustering: KMeans

Neuronale Netzwerke und Deep Leanring:

• Einführung in Neuronale Netzwerke
• Multi-Layer Perceptron
• Deep LEarning Konzepte und Architekturen

Praxis und Werkzeuge:

Du erhälst eine Übersicht über ML Projekte in der Praxis und führst Übungen mut Jupyter Notebooks, pandas, matplotlib, seaborn, scikit-learn und keras durch.

Wofür visualisieren wir? Nach einer kurzen Einleitung beschäftigst du dich mit Daten und grundlegenden Grafiken. Hier lernst du:

• Grammar of Graphics
• Visuelle Wahrnehmung
• Informationsdesign
• Interaktive Visualisierungssysteme

Wir zeigen dir, wie diese Methoden in der Praxis angewendet werden.

Was sind Zeitreihen und wie werden sie charakterisiert? Wir zeigen dir die Zerlegung in Komponenten um stationäre Zeitreihen zu erstellen. Dazu kommen:

• Modellierung von Zeitreihen als stochastische Prozesse
• Autoregressive Modelle, Autokorrelationsstruktur, Kreuzkorrelationen
• Zeitskalen, Grenzen der Zeitreihenanalyse

Hier lernst du Methoden des Collaborative und Content-based Filtering. Übungen mit Jupyter Notebooks und Google Colab zeigen dir hybride Ansätze hierfür.

Welche Schwierigkeiten und Grenzen, Arten der Repräsentation gibt es?

Ein Schwerpunkt liegt auf Textvorverarbeitung und dazugehöriger Methoden wie.

• Tokenization
• Stemming
• Normalization
• Eigennamenerkennung

Wie werden Texte inhaltlich verarbeitet? Dieses Modul erklärt dir die wichtigsten Strategien:

• Reguläre Ausdrücke
• Suchmaschinen (BOW Modell, VectorSpace Model, Elasticsearch)
• Textklassifizierung
• Language Models (word2vec, ...)
• Large Language Models (LLMs)
• Retrieval Augmented Generation (RAG)
  mit Übung (benutzte Tools: Jupyter notebook, Google collab)

Pro ECTS-Punkt wird mit einem durchschnittlichen Zeitaufwand von 25 Stunden gerechnet. Der CAS Data Science hat einen Umfang von 15 ECTS-Punkten. Deshalb ist mit einem Arbeitsaufwand von 375 Stunden zu rechnen.

Die Hälfte des Zeitaufwands ist dabei für das Selbststudium ausserhalb des Unterrichts für Kursvorbereitungen, Übungen, Repetition des Unterrichtsinhalts, Projektarbeiten und Prüfungsvorbereitungen zu reservieren.

Du arbeitest rund 40–50 % der Kurszeit am eigenen Notebook. Wir stellen dir detaillierte Anleitungen und die benötigten Werkzeuge (Software-Tools) zur Verfügung. Bitte installiere diese vorher auf dem Laptop und bring diesen jeweils in den Kurs mit.

Freitags und Samstags jeweils 8:45 – 16:30 Uhr
Die genauen Termine findest du im Dokument: Terminplan CAS Data Science (PDF)

• Factsheet CAS Data Science (pdf)
  
• Programm-Reglement Weiterbildung Data Science (pdf)
  
• Terminplan CAS Data Science (pdf)
  
• Teilnahmebedingungen (pdf)
  
• Weiterbildungsordnung der Hochschule (pdf)