1. Einführung in Data Science und Maschinelles Lernen

• Grundbegriffe und Konzepte der Data Science
• 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

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
• Das Modell evaluieren und in Produktion bringen