Inhalt
Herzlich Willkommen beim Webinar Data Science (englischsprachig)!
Das Webinar Data Science unterteilt sich in Basic und Advanced. Im Webinar Data Science (Basic) lernst du zunächst praxisorientiert, wie du Daten sammelst, analysierst und daraus wertvolle Erkenntnisse gewinnst. Von der Programmierung in Python über Data Wrangling mit Pandas bis hin zur Modellierung in der Google Cloud Platform (GCP) – du entwickelst ein fundiertes Verständnis für die wichtigsten Werkzeuge und Methoden moderner Data Scientists.
INFO: Das Webinar Data Science (Advanced) wird ab 4 Absolvent:innen des Webinars Data Science (Basic) angeboten.
Das Webinar kombiniert theoretische Grundlagen mit praktischen Übungen und Projekten. Du arbeitest mit echten Datensätzen, entwickelst eigene Modelle und lernst, wie du Machine-Learning-Prozesse automatisierst und in produktive Systeme integrierst.
Ideal für alle, die sich beruflich weiterentwickeln oder den Einstieg in Data Science, Künstliche Intelligenz oder Cloud Computing wagen möchten. Zum Abschluss der gesamten Webinar-Reihe bist du qualifiziert die Zertifizierung Professional Data Engineer (Google Cloud) zu absolvieren.
Zertifizierung Professional Data Engineer (Google Cloud)
Die Zertifizierung Professional Data Engineer qualifiziert Fachkräfte für den Aufbau und Betrieb moderner, sicherer und skalierbarer Datenplattformen. Sie befähigt dazu, Daten effizient zu erfassen, zu verarbeiten, zu speichern und für Analysen nutzbar zu machen – als Grundlage für fundierte Geschäftsentscheidungen.
Schwerpunkte der Zertifizierung:
- Entwurf leistungsfähiger Datenarchitekturen
- Verarbeitung und Speicherung großer Datenmengen
- Vorbereitung von Daten für Analysen
- Automatisierung und Betrieb von Datenarbeitslasten
Weitere Informationen zur Google Cloud-Zertifizierung findest du hier.
Dozent
Ali Sheroz, MSc.
Dozent Webinar Data Science
Ich bin Data Scientist und Gründer von AgriSpectra AI, einem Startup, das Künstliche Intelligenz und Hyperspektraltechnologie für die Früherkennung von Pflanzenkrankheiten einsetzt. Nach meinem Masterstudium in Data Science an der University of Padua in Italien habe ich mich auf die Bereiche Python, Machine Learning, Deep Learning und Cloud-Technologien (GCP) spezialisiert.
In meinem Webinar vermittle ich praxisnahes Wissen und lege großen Wert darauf, theoretische Konzepte mit realen Anwendungsbeispielen zu verbinden. Als aktives Mitglied der österreichischen Tech-Szene teile ich meine Erfahrungen aus der Gründungspraxis und aus Projekten zu KI-basierten Analysen und Data-Pipelines, um Lernenden zu zeigen, wie moderne Data-Science-Lösungen in der Praxis umgesetzt werden.
Weitere Informationen zu Ali Sheroz, MSc.
Deine Vorteile an der Internationalen Donauakademie (IDA)
✅ Starte, wann du willst
Kein Warten auf Semesterbeginn – beginne deine Weiterbildung genau dann, wenn es für dich passt
✅ Lerne mit maximaler Flexibilität
Gestalte deinen Lernweg individuell und passe ihn nahtlos an deinen Alltag an.
✅ Dein persönlicher Zeitplan bestimmt das Tempo
Lerne morgens, abends oder am Wochenende – ganz nach deinen Möglichkeiten und Präferenzen
✅ Vielfältige Lernmaterialien
Profitiere von hochwertigen Videos und umfassenden Skripten, die komplexe Inhalte verständlich vermitteln
✅ Interaktive Lernumgebung
Erlebe dynamisches Lernen mit Tests, Foren und direktem Austausch für nachhaltigen Lernerfolg
✅ Staatliche Förderung möglich
Nutze finanzielle Unterstützungsmöglichkeiten wie Bildungsgutscheine oder steuerliche Vorteile
✅ Persönliche Betreuung
Profitiere von individueller Beratung und kompetenter Hilfestellung bei allen Fragen rund um dein Studium
✅ Flexibler Zugriff auf allen Geräten
Lerne bequem auf deinem Smartphone, Tablet oder Computer – zu Hause, unterwegs oder im Büro
Informationen zum Webinar Data Science (Basic)
- Start: Ab 4 Teilnehmer:innen
- Format: 100% online
- Sprache: vorwiegend Englisch (!)
- Dauer: 8 Wochen
- ECTS (Basic): 14
- ECTS (gesamt): 36
- empfohlene Lernzeit: 5 Stunden pro Woche
- Preis: auf Anfrage
- Umfang: 4 Module mit praxisnahen Übungen, Projekten & Online-Support
- Abschluss (Basic): Zertifikat „Data Science Fundamentals“ + Zertifikat „Machine Learning Engineer“
- Abschluss (gesamt): Diplomierte:r Data Scientist
- Zertifizierung Google Cloud: Certified Data Engineer
- Abschlussvoraussetzungen:
- Teilnahme an den Webinar-Terminen
- Durchführung der praktischen Aufgabenstellungen
Du möchtest deine Weiterbildung an der IDA starten?
Unsere Teilnahmebedingungen sind:
- Mindestalter von 20 Jahren
- Abgeschlossene Lehrausbildung, Matura oder gleichwertige Qualifikation
- Laptop/PC und Internet
AI & Data Engineering Mastery Program auf Google Cloud
Abschlusszertifikat:
🎓 Certified GCP AI & Data Engineer
Ein umfassendes, praxisorientiertes Weiterbildungsprogramm zur Ausbildung von Data Engineers, Machine-Learning-Engineers und AI-Spezialist:innen auf der Google-Cloud-Plattform.
Phase 1 (Kursinhalte Basic): Grundlagen
Gesamtdauer: 16 Wochen
Kurs 1: Python für Data Science & Cloud Readiness (8 Wochen)
Ziel: Sicherer Umgang mit Python, zentralen Data-Science-Bibliotheken und ersten Cloud-Interaktionen auf Google Cloud
Modul 1: Python-Grundlagen (Wochen 1–2)
- Einrichtung der Entwicklungsumgebung (Anaconda, Jupyter Notebooks, Google Colab)
- Python-Datentypen, Operatoren, Kontrollstrukturen, Funktionen und Klassen
- Arbeiten mit Listen, Tupeln, Dictionaries, Sets und Datei-Ein/Ausgabe
- Einführung in Git und Versionskontrolle
- Praxisübungen: Entwicklung einfacher Datenverarbeitungsskripte
- Projekt: Automatisierung einer Datenaufgabe (z. B. Log-Analyse oder Datenbereinigung)
Modul 2: Datenaufbereitung mit Pandas & BigQuery (Wochen 3–4)
- Arbeiten mit Pandas DataFrames
- Datenbereinigung (fehlende Werte, Duplikate, Ausreißer)
- Transformationen: Filtern, Gruppieren, Aggregieren, Mergen
- Einführung in BigQuery und SQL
- Projekt: Datenbereinigung und -exploration mit Pandas & BigQuery
Modul 3: Datenvisualisierung & Exploration (Wochen 5–6)
- Visualisierung mit Matplotlib & Seaborn
- Prinzipien effektiver Datenvisualisierung
- Data Storytelling
- Einführung in Looker Studio (Dashboards mit BigQuery)
- Projekt: Storytelling-Dashboard mit Looker Studio
Modul 4: Cloud Computing & Google Cloud Platform (Wochen 7–8)
- Cloud-Grundlagen (IaaS, PaaS, SaaS)
- GCP-Konsole, Projekte & Abrechnung
- Cloud Storage & grundlegendes Networking
- Nutzung von GCP-Services über Python
- Projekt: Aufbau einer einfachen Datenpipeline in der Google Cloud
Zertifikat:
🏅 Certified Python Data and Cloud Analyst
Kurs 2: Data Engineering Grundlagen auf GCP (8 Wochen)
Ziel: Fundierte Kenntnisse moderner Data-Engineering-Architekturen und GCP-Datenservices
Modul 1: Datenverarbeitung mit Apache Beam (Wochen 1–2)
- Batch- & Streaming-Pipelines
- Apache Beam Konzepte & Dataflow
- Praxis: Datenpipelines für Transformation und Aggregation
Modul 2: Datenspeicherung & Management (Wochen 3–4)
- Vertiefung in Cloud Storage: Erweiterte Funktionen, Lifecycle-Management, Objektversionierung
- BigQuery: Erweiterte SQL-Abfragen, Partitionierung, Clustering, autorisierte Views
- Cloud SQL: Arbeiten mit relationalen Datenbanken auf GCP
- Cloud Spanner: Einführung in global verteilte Datenbanksysteme
- Praktische Übungen: Arbeiten mit verschiedenen Speicherlösungen auf GCP und Auswahl geeigneter Lösungen für spezifische Anwendungsfälle
Modul 3: Orchestrierung mit Cloud Composer (Wochen 5–6)
- Einführung in Cloud Composer: Grundlagen von Airflow-DAGs, Tasks und Operators
- Erstellung und Planung von Workflows mit Airflow-DAGs
- Integration verschiedener GCP-Services in Airflow-DAGs
- Praktische Übungen: Aufbau und Orchestrierung von Datenpipelines mit Cloud Composer
Modul 4: Data Governance & Sicherheit (Wochen 7–8)
- Datenzugriffssteuerung mit Cloud IAM: Rollen, Berechtigungen, Service Accounts
- Datenverschlüsselung im Ruhezustand und bei Übertragung
- Compliance-Best Practices: z. B. GDPR, HIPAA
- Praktische Übungen: Umsetzung von Data-Governance- und Sicherheitsrichtlinien
Zertifizierungsvorbereitung: Deckt direkt die Machine-Learning-Schwerpunkte der Professional Machine Learning Engineer Zertifizierung ab.
Zertifikat:
🏅 GCP Data Engineering Professional
AI & Data Engineering Mastery Program auf Google Cloud
Phase 2 (Advanced): Machine Learning und Advanced Data Engineering
Gesamtdauer: 20 Wochen
Kurs 3: Machine Learning auf Vertex AI (10 Wochen)
Ziel: Umfassende Beherrschung von Machine Learning auf Google Vertex AI, einschließlich Modelltraining, Optimierung, Deployment und Betrieb (MLOps)
Modul 1: Einführung in Machine Learning mit Vertex AI (Wochen 1–2)
- Überblick über Vertex AI und seine Kernkomponenten:
- Vertex AI Workbench
- Training
- Prediction
- Pipelines
- Model Registry
- Aufbau und Training grundlegender Machine-Learning-Modelle mit Vertex AI Training
- Bewertung und Analyse der Modellperformance mithilfe von Vertex AI
- Praxisübungen: Training und Evaluierung einfacher ML-Modelle auf Vertex AI
Modul 2: Modell-Tuning und Optimierung (Wochen 3–4)
- Hyperparameter-Tuning mit Vertex AI Hyperparameter Tuning
- Einsatz von Automated Machine Learning (AutoML) auf Vertex AI
- Modell-Erklärbarkeit und Interpretierbarkeit (Explainable AI)
- Praxisübungen: Optimierung von Modellen zur Leistungssteigerung mithilfe von Vertex AI
Modul 3: MLOps mit Vertex AI Pipelines und Model Registry (Wochen 5–6)
- Einführung in Vertex AI Pipelines
- Aufbau durchgängiger End-to-End-Machine-Learning-Workflows
- Nutzung der Vertex AI Model Registry zur Verwaltung von Modellversionen
- Deployment-Strategien und Versionsmanagement
- Praxisübungen: Aufbau und Deployment von ML-Pipelines mit Vertex AI
Modul 4: Custom Model Training (Wochen 7–8)
- Training benutzerdefinierter Modelle mit TensorFlow und PyTorch auf Vertex AI
- Verteiltes Training (Distributed Training)
- Nutzung von GPUs zur Beschleunigung des Trainings
- Praxisübungen: Entwicklung und Training individueller Modelle auf Vertex AI
Modul 5: Model Deployment und Monitoring (Wochen 9–10)
- Deployment von Modellen über Vertex AI Endpoints
- Überwachung der Modellperformance im Produktivbetrieb
- Erkennen von Modell-Drift und automatisches Retraining
- Praxisübungen: Deployment, Monitoring und Wartung von ML-Modellen mit Vertex AI
Zertifizierungsvorbereitung: Direkte Ausrichtung auf die Machine-Learning-Inhalte der Professional Machine Learning Engineer Certification
Zertifikat: 🏅 Certified Machine Learning Engineer
Kurs 4: Advanced Machine Learning & Deep Learning auf GCP (10 Wochen)
Ziel: Vertiefung fortgeschrittener Machine-Learning- und Deep-Learning-Techniken sowie spezialisierter Modellarchitekturen und professioneller MLOps-Ansätze
Modul 1: Advanced Feature Engineering (Wochen 1–2)
- Feature-Engineering-Techniken für unterschiedliche Datentypen:
- Numerische Daten
- Kategorische Daten
- Textdaten
- Methoden zur Feature-Selektion
- Praxisübungen: Feature Engineering mit realen Datensätzen
Modul 2: Deep-Learning-Architekturen (Wochen 3–4)
- Convolutional Neural Networks (CNNs) für Bildverarbeitung
- Recurrent Neural Networks (RNNs) für sequenzielle Daten
- Transformer-Architekturen für Natural Language Processing (NLP)
- Praxisübungen: Entwicklung und Training von Deep-Learning-Modellen mit TensorFlow/Keras auf Vertex AI
Modul 3: Spezialisierte Modellarchitekturen (Wochen 5–6)
- Generative Adversarial Networks (GANs)
- Reinforcement Learning
- Praxisübungen: Implementierung spezialisierter Modellarchitekturen
Modul 4: Responsible AI und ethische Aspekte (Wochen 7–8)
- Erkennung und Reduktion von Bias in Machine-Learning-Modellen
- Fairness, Transparenz und Erklärbarkeit von Modellen
- Ethische Fragestellungen bei Entwicklung und Einsatz von KI-Systemen
- Praxisübungen: Analyse, Bewertung und Reduzierung von Bias in Modellen
Modul 5: Advanced MLOps-Techniken (Wochen 9–10)
- CI/CD-Pipelines für Machine-Learning-Modelle
- Modellversionierung und Rollback-Strategien
- Monitoring, Logging und Alerting im ML-Betrieb
- Praxisübungen: Umsetzung von MLOps-Best Practices in produktionsnahen Szenarien
Zertifizierungsvorbereitung: Vertiefende Vorbereitung auf die Professional Machine Learning Engineer Certification
Zertifikat: 🏅 Certified MLOps Deep Learning Engineer
Professional Data Engineer (Google Cloud)
Die Zertifizierung Professional Data Engineer steht für eine arbeitsmarktrelevante, international anerkannte Qualifikation im Bereich Data & Cloud. Sie bestätigt, dass Fachkräfte in der Lage sind, leistungsfähige und sichere Datenplattformen aufzubauen und zu betreiben – eine Schlüsselkompetenz für datengetriebene Organisationen.
Für HR-Abteilungen bietet die Zertifizierung eine klare Orientierung bei Auswahl, Entwicklung und Bindung von Talenten. Zertifizierte Mitarbeitende können unmittelbar in Analytics-, BI- und KI-Projekten eingesetzt werden und tragen zur nachhaltigen Digitalisierung von Geschäftsprozessen bei.
Mehrwert für HR & Personalentwicklung:
- Nachweisbar gefragtes Kompetenzprofil im Arbeitsmarkt
- Strukturierte, praxisnahe Weiterqualifizierung von Fachkräften
- Unterstützung von Skill-Frameworks, Upskilling- und Retention-Strategien
Weitere Informationen zur Google Cloud-Zertifizierung findest du hier.
Zielgruppe
Dieser Kurs richtet sich an:
- Berufstätige, die in Data Science oder KI einsteigen möchten
- Studierende und Absolvent:innen aus Technik, Wirtschaft oder IT
- Fachkräfte, die datenbasierte Entscheidungen treffen wollen
- Quereinsteiger:innen, die sich für Datenanalyse und Machine Learning interessieren
Didaktik und Lehrmethoden
Der Kurs setzt auf einen vielfältigen Methodenmix:
- Webinar-Einheiten in der Gruppe
- Interaktive Online-Videos und Schritt-für-Schritt-Anleitungen
- Praxisprojekte mit echten Datensätzen
- Austausch im Lernforum und direkter Kontakt zum Dozenten
- Optionales Abschlussprojekt zur Anwendung des Gelernten