Data Science und Business Analytics - Aufbau

Moderne Methoden für Forecasting, LLMs und intelligente Agentensysteme

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

Er eignet sich ideal als Aufbaukurs für Teilnehmende, die bereits den Lehrgang „Data Science und Business Analytics“ besucht haben.

Voraussetzungen:

Kenntnisse, wie sie im Lehrgang „Data Science und Business Analytics“ vermittelt werden.