1. Einführung in Data Science und Maschinelles Lernen

• Grundbegriffe und Konzepte der Data Science bzw. der klassischen KI-Methoden
• Data Driven Mindset als Erfolgsfaktor im Unternehmen
• Voraussetzungen für datengetriebene Unternehmen
• Überwachtes und unüberwachtes maschinelles Lernen
• Methoden im Supervised und Unsupervised Learning
• Wichtige Rollen in Data-Science-Projekten
• Welche Infrastruktur wird für Data-Science-Projekte benötigt?

2. Der CRISP-DM-Cycle als Standard in der Datenanalyse

• Business Understanding: Ziele, Anforderungen, Fragen
• Data Understanding: Datenstruktur und Datenqualität
• Data Preparation: Daten bereinigen, filtern, formatieren
• Modeling: Datenmodelle entwickeln und validieren 
• Evaluation: Modelle überprüfen und an Geschäftszielen ausrichten
• Deployment: Modelle für die Datenanalyse in Betrieb nehmen
• Neu: entlang der Phasen Data Understanding, Preparation, Modeling und Evaluation werden aktuelle Anwendungsfälle von Sprachmodellen (z.B. ChatGPT) aufgezeigt, die zielführend typische Aufgabenstellungen in einem Data Science Projekt unterstützen können

3. Alle Phasen des Datenprojekts im Detail erklärt

• Explorative Datenanalyse und ihre Darstellungsformen
• Lageparameter und Streuungsparameter
• Lineare und nichtlineare Zusammenhänge erkennen
• Die Relevanz von Daten beurteilen
• Daten bereinigen und vorbereiten
• Modeling: Klassifikation, Regression und Clustering mit klassischen Machine Learning Tools (KNIME, Azure Machine Learning oder RStudio) und in Verbindung mit Sprachmodellen (z.B. ChatGPT)
• Das Modell evaluieren und in Produktion bringen