Data Science Kurs | SIT Academy

Programm Überblick

Hochschulabsolvent, Unternehmer oder willst du deine vorhandenen Fähigkeiten erweitern? In jedem Fall ist unser Bootcamp genau das, was du gesucht hast. Wir haben unseren Lehrplan sorgfältig so gestaltet, dass er die aktuellsten Technologien enthält, die derzeit auf dem Arbeitsmarkt gefragt sind. Das macht unser Data Science Bootcamp innovativ und ermöglicht dir den nächsten Schritt in deiner Karriere.

Das #2 Data Science Bootcamp weltweit

Laut SwitchUp ist SIT Academy das #2 beste Data Science Bootcamp in der Welt.

Bevorstehende Termine

Standort wählen

Zeitplan: Mo - Fr, 09:00 - 18:00 (CET)

Du musst einen Ort auswählen, um die nächsten Termine und Preise zu sehen.

Was du lernen wirst

0

Vorbereitungsaufgaben (1-2 Wochen)

Für die beste Lernerfahrung ist es wichtig gut vorbereitet zu starten. Daher haben wir einen Vorkurs zusammengestellt, der dich gezielt darauf vorbereitet. Je nach deinen Vorkenntnissen sind hierfür etwa 1-2 Wochen intensives arbeiten erforderlich.

Lerne über Statistik, Wahrscheinlichkeitsrechnung, lineare Algebra, Versionskontrolle und Python.
Über einen Slack-Kanal erhältst du dabei schnell und unkompliziert Hilfe durch unser Data Science Team.

0

Offene Runde

Triff deine Mitstudenten während der offenen Runde in der Woche vor Programmbeginn. Überprüfe die Vorbereitungsarbeit und tausche deine Probleme und Lösungen mit der Klasse aus.

1

Statistik und Versuchsplanung (6 Tage)

Verwende statistische Methoden, wie zum Beispiel A/B-Tests, zur Unterstützung der Entscheidungsfindung.
Wende induktive Statistik, Parameterschätzungen und Hypothesentests auf Data Science-Probleme an.
Lerne über probabilistische Modellierung und verallgemeinerte lineare Modelle und löse Probleme aus der Praxis.

2

Data Science Toolkit (6 Tage)

Werde vertraut mit den für Data Science relevanten Tools und Programmiersprachen.
Python-Grundlagen für Data Science, Versionskontrolle (Git und GitLab), Organisieren und Strukturieren von Data Science Projekten.
Umfangreiches Data Wrangling in Python (Zugriff auf Online-Daten über APIs, Datenbereinigung und -exploration mit Pandas).
Arbeite sowohl mit JupyterLab als auch einer integrierten Entwicklungsumgebung.

3

Datenvisualisierung (4 Tage)

Erzeuge komplexe VisualisierungenVisulisierungen, um Erkenntnisse aus Daten zu extrahieren und dies visuell ansprechend und überzeugend zu erzählen.
Erstelle interaktive Darstellungen und Dashboards mit Tools wie Matplotlib, Seaborn, Plotly und Dash.

4

Maschinelles Lernen I (4 Tage)

Gewinne einen detaillierten Einblick in Supervised Learning (Regression und Klassifikation).
Erlernen von ML-Kernkonzepten (z.B.: Gradientenabstieg, lineare vs. nicht-lineare Modelle, Verlustfunktionen, Kreuzvalidierung, Tuning).
Löse reale Probleme, wie zum Beispiel den Umgang mit unausgewogenen Daten und Auswahl geeigneter Modelle.
Erstelle komplexe End-to-End-Pipelines für maschinelles Lernen.

5

Maschinelles Lernen II (5 Tage)

Optimiere die Leistungsfähigkeit eines Modelles durch Hyperparameter-Tuning und interpretiere Modelle mit Frameworks wie LIME und SHAP.
Mache dich vertraut mit Unsupervised Learning (Clustering, Outlier-Detektion und Dimensionalitätsreduktion).
Lerne die neuesten Weiterentwicklungen, Anwendungen und Frameworks für Auto-ML (PyCaret, TPOT und Auto-Sklearn) kennen.

6

Deep Learning (5 Tage)

Lerne die Theorie und Geschichte hinter neuronalen Netzen und Deep Learning kennen.
Baue deine eigenen neuronalen Netze mit TensorFlow und Keras.
Verwende Deep-Transfer-Learning- und state-of-the-art Deep-Learning-Modelle, um Computer-Vision-Probleme wie Bildklassifizierung und Segmentierung zu lösen.
Interpretiere und erkläre Deep-Learning-Modelle mit Techniken wie Grad-CAM.

7

Sprachverarbeitung (4 Tage)

Erlernen von NLP-Kernkonzepten (z.B.: Named Entity Recognition, Topic Modeling, Dokumentenklassifikation, Ähnlichkeit, Embeddings, usw.).
Lerne und übe, wie man unstrukturierten Text in strukturierte Daten umwandelt und darauf klassische ML-Modelle trainiert.
Löse diverse Probleme wie Klassifizierung, Empfehlungen, Zusammenfassung, Named Entity Recognition und mehr.
Verwende die neuesten state-of-the-art Deep Learning Modelle, einschliesslich Transformern, um komplexere Aufgaben zu lösen (Sprachübersetzung, kontextuelle Ähnlichkeit, Suche und mehr).

8

Machine Learning Engineering (6 Tage)

Lerne, wie du ein Data Science Projekt effektiv angehst, indem du konventionelle Workflows verwendest und eine saubere Projektstruktur erstellst.
Lerne die Best Practices von MLOps kennen, z.B. Modell- und Datenversionskontrolle, Experiment-Tracking, Modell- und Code-Tests und CI/CD für ML-Projekte.
Anschliessend verwenden wir Docker zum Verpacken eines Machine Learning Modells, fügen ein API als Schnittstelle hinzu und bringen es auf einen Cloud-Server.

9

Capstone project (Wochen 9-12)

Arbeite an echten Data Science Problemen, die von Unternehmen und Forschungsinstituten zur Verfügung gestellt werden.
Während der Projektphase deckst du den kompletten Data Science Prozess ab: Von der Definition des Business-Problems, der Untersuchung der Daten, der Anwendung geeigneter Machine Learning Modelle, bis hin zur Fertigstellung eines funktionalen Prototyps.
Die Krönung all der harten Arbeit ist eine öffentliche Präsentation, auf die wir dich vorab intensiv vorbereiten werden.

Bereite dich auf den Kurs vor

Kostenloser Data Science Einführungskurs

Online

Selbststudium

Kostenlos

In diesem kostenlosen Online-Tutorial zum Selbststudium lernst du Python und den Lebenszyklus von Data-Science-Projekten kennen und übst an einem realen Data-Science-Problem. Durch den Abschluss dieses Kurses erhältst du ein besseres Verständnis für die Data-Science-Welt und erhöhst deine Chancen, in das Bootcamp aufgenommen zu werden.

Geschätzte Kursdauer: 15 Stunden

Starte den Kurs hier

Das sagen unsere Studenten

Tiffany Carruthers

Data Science

"Nach Abschluss des Bootcamps konnte ich über das berufliche Netzwerk von SIT eine Stelle finden."

Vorher: Data Engineer

Nachher: Data Engineer bei Axpo

Lina Siegrist-Choo

Data Science

"Ich kann definitiv sagen, dass ich meinen Karriereplan ohne die SIT Academy nicht verwirklichen könnte."

Vorher: Postdoctoral Researcher

Nachher: Junior Data Engineer bei Nestlé

Jean Coupon

Data Science

"Ich schätzte besonders die Aufmerksamkeit, die das SIT Team den Studenten während der Ausbildung, aber auch danach, wenn es einen entscheidenden Bedarf an Unterstützung bei der Arbeitssuche gab, entgegenbrachte."

Vorher: Researcher Astrophysics

Nachher: Data Scientist bei Pictet Group

Bewerbungsprozess

Sende uns deinen Lebenslauf oder dein LinkedIn-Profil

Ein erstes Motivationsgespräch mit SIT Academy

Bereite dich nun auf das technische Interview vor

Bestehe das technische Interview

Überweise eine Anzahlung, um deinen Platz zu sichern

Schliess die Vorbereitungsarbeiten vor Beginn des Bootcamps ab

Erhalte ein Leistungszertifikat

Teile dein Zertifikat auf den sozialen Netzwerken, gedruckten Lebensläufen oder anderen Dokumenten. Bringe deine Karriere mit den neu erworbenen Fähigkeiten voran.

FAQs

Was ist das nicht-technische Interview?

Ein 20 Minuten Interview, welches persönlich oder über Video durchgeführt wird und uns die Möglichkeit gibt, dich, deine Berufserfahrung, Motivation und Ziele für die Teilnahme am Programm kennenzulernen.

Wie viele Studenten gibt es pro Klasse?

Um ein hohes Mass an Interaktion und Unterricht zu gewährleisten, hat jede Klasse durchschnittlich 10 bis max. 20 Studenten (vor Ort).

Ist die Dauer der Bootcamps lang genug?

Auf jeden Fall. Bei den Full-Stack- und Data-Science-Programmen geben dir 12 Wochen intensive Praxis (40 Stunden im Klassenzimmer mit zusätzlichen 20-30 Stunden für die Kursarbeit pro Woche) das, was du brauchst, um in eines dieser Gebiete einzusteigen.

Wie gut muss ich programmieren können?

Obwohl Programmiererfahrung nicht unbedingt eine Voraussetzung ist, erwarten wir, dass du schon einmal mit Programmieren in Berührung gekommen bist. Sei es in der Industrie, an der Hochschule oder im Selbststudium. Motivation, harte Arbeit und Tatkraft sind jedoch das, was wir am meisten suchen.

Ich würde lieber von einem anderen Ort aus teilnehmen. Kann ich online teilnehmen?

Auf jeden Fall. Wenn du an dieser Option interessiert bist, wähle diese bitte auf dem Bewerbungsformular aus.

Gibt es einen Unterschied zwischen der persönlichen und online Teilnahme?

Nein, überhaupt nicht. Du nimmst am gleichen Programm teil und verfolgst die Vorträge per Live-Stream. Du erhältst die gleiche Aufmerksamkeit von unseren Mitarbeitern, wie wenn du vor Ort wärst.

Wie sieht das technische Interview für das Data Science-Programm aus?

Der Kandidat erhält eine E-Mail mit einer Liste von Python-Tutorials, die vor dem Vorstellungsgespräch zu bearbeiten sind. Datum und Uhrzeit des Interviews werden so festgelegt, dass etwa eine Woche Zeit bleibt, um sich darauf vorzubereiten.
Am Tag des Vorstellungsgesprächs erhält der Kandidat per E-Mail eine Datenanalyse-Aufgabe und hat 2 Stunden Zeit, daran zu arbeiten. Nach dem Einreichen der Ergebnisse wird im direkten Anschluss ein Mitglied des SIT Academy-Teams online Fragen zur Data Challenge stellen. Darauf folgt ein 30-minütiges Programmier-Interview in Python. Der gesamte Prozess dauert 2 Stunden und 45 Minuten und basiert auf den zuvor gesendeten Tutorials.

Kontaktiere uns