Data Science und Business Analytics - Aufbau
Modul 1: Forecasting für Zeitreihen
- Zentrale Begriffe der Zeitreihenanalyse: Trend, Saisonalität, Residuen, Kovariaten
- Additive vs. multiplikative Modelle
- Stationarität von Zeitreihen
- Lag-Plots und Autokorrelationsplots
- Umgang mit fehlenden Werten und Ausreißern
- Naive Zeitreihenforecasting-Methoden als Basismodelle
- Einführung in klassische Modelle wie ARIMA
- Moderne Zeitreihenforecasting-Modelle (z. B. Transformer): Funktionsweise und praktische Anwendung
- Unterschied zwischen One-Step- und Multi-Step-Forecasting
- Umgang mit multivariaten Zeitreihen
Modul 2: Large Language Models (LLMs)
- Überblick über verfügbare LLMs
- Auswahl geeigneter LLMs für den Einsatz im Unternehmen
- Benchmarking von LLMs, z. B. mit DeepEval
- Textvektorisierung in der Praxis
- Zusammenführung von Text- und tabellarischen Daten für Forecasts
- Nutzung von LLMs zum Aufruf eigener Funktionen (z. B. für Datenbankabfragen)
Modul 3: Agenten
- Von statischen Prompts zu autonomen Agenten
- Einführung in moderne Agentensysteme
- Einsatz von LLMs als Reasoning-Engine
- Grenzen klassischer Chatbots
- Überblick über Agenten-Frameworks wie OpenAI Agents, LangGraph und LlamaAgents
- Praxisbeispiel: Entwicklung eines Data-Analyst-Agenten
Modul 4: Clean Coding mit Python für Data-Science-Projekte
- Unterschiede zwischen imperativer, prozeduraler und objektorientierter Programmierung (OOP)
- Organisation von Code in eigenen Python-Modulen
- Automatische Erstellung von Code-Dokumentationen
- Systematisches Testen von Code
- Clean-Coding-Prinzipien: Theorie und praktische Anwendung
- Umgang mit virtuellen Python-Umgebungen für unterschiedliche Projekte