Deep Dive in Data Science

Nutzen Sie Machine-Learning- und Data-Mining-Algorithmen in R, um auf Basis Ihrer Daten Anwendungen der Künstlichen Intelligenz zu entwickeln.

Eine Auswahl der Schulungsinhalte im Bereich Machine Learning:

• Einführung in die Grundbegriffe des Machine Learnings
• Umgang mit dem Machine-Learning-Framework tidymodels
• Logik und Praxis: Aufteilen von Daten in Test und Trainingsdaten
• Vorstellung und Anwendung relevanter Aufbereitungsschritte, z. B. One-Hot-Encoding, Standardization, Imputation
• Training von Machine Learning Modellen auf Basis verschiedener Algorithmen, z. B. Decision Trees, Support Vector Machines, Random Forests, XGBoost etc.
• Verknüpfung von Aufbereitungs- und Modellierungsschritten in einem tidymodel-Workflow
• Interpretation verschiedener Metriken zur Modellevaluation
  • Für Klassifikationen: (Balanced) Accuracy, AUC, F1-Score, etc.
  • Für Regressionen: RMSE, MAE
• Parameter Tuning (Grid Search) der Modelle mit Hilfe von Cross-Validation
• Selbstständige Anwendung des Erlernten in praktischen Übungen

—

Zielgruppe: Dieser Einführungskurs richtet sich an TeilnehmerInnen mit bestehenden Vorkenntnissen in R oder Statistik.

—

Kurslänge: Zwei Tage

Eine Auswahl der Schulungsinhalte im Bereich Machine Learning mit Python:

• Einführung in die Grundbegriffe des Machine Learnings
• Umgang mit dem Machine-Learning-Framework scikit-learn
• Logik und Praxis: Aufteilen von Daten in Test und Trainingsdaten
• Vorstellung und Anwendung relevanter Aufbereitungsschritte, z. B. One-Hot-Encoding, Standardization, Imputation
• Training von Machine-Learning-Modellen auf Basis verschiedener Algorithmen, z. B. Decision Trees, Support Vector Machines, Random Forests, XGBoost etc.
• Verknüpfung von Aufbereitungs- und Modellierungsschritten in einer scikit-learn Pipeline
• Interpretation verschiedener Metriken zur Modellevaluation
  • Für Klassifikationen: (Balanced) Accuracy, AUC, F1-Score, etc.
  • Für Regressionen: RMSE, MAE
• Parameter Tuning (Grid Search) der Modelle mit Hilfe von Cross-Validation
• Selbstständige Anwendung des Erlernten in praktischen Übungen
  —

Zielgruppe: Dieser Einführungskurs richtet sich an TeilnehmerInnen mit bestehenden Vorkenntnissen in Python oder Statistik.

—

Kurslänge: Zwei Tage

Als Full Service Certified Partner von Posit und führender Shiny-Experte versetzen wir Sie in die Lage, eigenständig erfolgreiche Shiny-Applikationen für den produktiven Einsatz zu entwickeln.

Die Kursinhalte im Überblick

• Einstieg in Shiny 
• Input und Output Elemente (Dropdown-Menü, Tabellen, Grafiken etc.) 
• Philosophie von Shiny: Reaktive Programmierung 
• Erweiterungspakete rund um Shiny: HTML-Widgets (DT, plotly und leaflet) 

—

Zielgruppe: Dieser Kurs richtet sich an TeilnehmerInnen mit ersten Programmiererfahrungen in R.

—

Kurslänge: Zwei Tage

GenAI ist längst fester Bestandteil der Arbeitswelt. In unserer Schulung erhalten Sie die Werkzeuge, um GenAI aus der Perspektive von Data Science fundiert zu verstehen und anzuwenden. Da sich das Feld rasant weiterentwickelt, stellen wir durch regelmäßige Aktualisierungen und praxiserfahrene Trainer sicher, dass Sie mit den State-of–the-Art-Ansätzen vertraut werden.

Ziel des Trainings ist es, praktische Fähigkeiten im Bereich generativer KI zu vermitteln. Nach dem Training sind die Teilnehmenden in der Lage, Sprachmodelle und RAG fundiert zu verstehen, eigene RAG-Systeme mit Python und Unternehmensdaten umzusetzen sowie Agenten-Workflows mit Langchain und Langgraph praktisch einzusetzen.

Die Kursinhalte im Überblick:

• Einführung Sprachmodelle
  • Grundlagen und zentrale Konzepte
  • Use Cases
  • Aktuelle Entwicklungen
• Retrieval Augmented Generation (RAG)
  • Zweck und Funktionsweise
  • Datenaufbereitung und –anbindung für RAG-Systeme
  • RAG Komponenten: Vektordatenbank und Embedding Modelle
  • Einführung Langchain
  • Praktische Umsetzung und Übungen
• Agentensysteme
  • Zweck und Funktionsweise
  • Komponenten von Agentensystemen: Planning, Tools, Reflexion
  • Einführung Langgraph
  • Praktische Umsetzung und Übungen
    —

Zielgruppe: Data Scientists und SoftwareentwicklerInnen mit Python-Kenntnissen

—

Kurslänge: Zwei Tage

Darüber hinaus bieten wir weitere, aufbauende Themen für einen optionalen dritten Kurstag an.

Die Kursinhalte des Erweiterungstags im Überblick:

• LLM Security:
  • Problemfelder und Schwachstellen beim LLM-Einsatz
  • Guardrails/Maßnahmen zur Risikominderung inkl. Red Teaming Übung
• Evaluation, Tracing, Monitoring
• Infrastruktur für LLMs und weitere Systemkomponenten
• Vertiefte Übungen zu agentic RAG-Systemen mit eigenen Daten