Data Science Solutions und agiles Projektmanagement nach Scrum

Diese Weiterbildung bündelt zwei Qualifikationen, die in modernen Datenprojekten eng zusammengehören: die technische Kompetenz zur Entwicklung und Bereitstellung von Data-Science-Lösungen auf Microsoft Azure und das methodische Rüstzeug für agiles Projektmanagement nach Scrum. Der Data-Science-Teil orientiert sich am Microsoft-Curriculum DP-100 (Designing and Implementing a Data Science Solution on Azure) und bereitet auf die offizielle Prüfung zum Azure Data Scientist Associate vor. Der Scrum-Teil vermittelt das Rahmenwerk für iterative Teamarbeit und Projektlieferung — mit Bezug auf EXIN-Zertifizierungen. Die Schulung findet als Combined Learning in Vollzeit statt und erstreckt sich über mehr als drei Monate bis zu sechs Monaten.

Modul 1: Data Science Solutions auf Microsoft Azure — DP-100 Curriculum Azure Machine Learning ist Microsofts verwaltete Plattform für den gesamten ML-Lebenszyklus. Dieser Modulblock deckt alle Kernthemen des offiziellen DP-100-Trainings ab — von der Datenvorbereitung über das Modelltraining bis zur produktionsreifen Bereitstellung — und bereitet gezielt auf die Microsoft-Zertifizierungsprüfung Azure Data Scientist Associate vor.

• Überblick über Azure Machine Learning: Workspaces, Compute-Targets und Datastores einrichten
• Datenvorbereitung und Feature Engineering mit Azure ML Datasets und Pipelines
• Trainieren von Modellen: Supervised Learning, Hyperparameter-Tuning und AutoML
• Bewertung und Vergleich von Modellen mit Azure ML Metrics und Explainability-Tools
• Aufbau von ML-Pipelines für reproduzierbare End-to-End-Workflows
• Deployment von Modellen als REST-Endpunkte und Batch-Inferenz in Azure
• Monitoring bereitgestellter Modelle: Data Drift, Performance-Degradation und Alerts
• Umgang mit Azure ML CLI, Python SDK und dem Azure ML Studio

Modul 2: Agiles Projektmanagement nach Scrum Scrum ist heute in der Softwareentwicklung und zunehmend auch in anderen Bereichen das am weitesten verbreitete agile Rahmenwerk. Dieser Modulblock vermittelt das vollständige Scrum-Framework — Rollen, Ereignisse, Artefakte und Werte — und zeigt, wie iterative Lieferung auch in Data-Science-Teams zu schnelleren und qualitativ besseren Ergebnissen führt.

• Grundprinzipien agiler Entwicklung: das Agile Manifest und die zwölf agilen Prinzipien
• Scrum-Rollen: Product Owner, Scrum Master und das Entwicklungsteam im Data-Science-Kontext
• Scrum-Artefakte: Product Backlog, Sprint Backlog und Increment strukturieren und pflegen
• Scrum-Ereignisse: Sprint Planning, Daily Scrum, Sprint Review und Sprint Retrospektive durchführen
• User Stories und Akzeptanzkriterien für Data-Science-Aufgaben formulieren
• Velocity, Definition of Done und Sprint-Ziele als Steuerungsinstrumente einsetzen
• Umgang mit sich ändernden Datenanforderungen und iterativer Modellverbesserung in Sprints
• Einführung in EXIN-Zertifizierungsgrundlagen im Bereich agiles Projektmanagement

Modul 3: Praxis und Integration — Data-Science-Projekte agil steuern Im Praxis-Block verbinden Teilnehmende das DP-100-Wissen und das Scrum-Framework in einem realistischen Projektumfeld. Dabei durchlaufen sie mehrere Sprints eines fiktiven Data-Science-Vorhabens — von der Datenexploration bis zur Modellbereitstellung.

• Aufbau eines Product Backlogs für ein typisches ML-Projekt auf Azure
• Sprint Planning für einen Datenvorbereitungs-Sprint: User Stories schreiben und schätzen
• Durchführung eines Daily Scrum im Team mit typischen Blockadesituationen aus Data-Projekten
• Modelltraining als Sprint-Increment: Trainingsläufe in Azure ML ausführen und dokumentieren
• Sprint Review: Modellperformance dem Product Owner präsentieren und Feedback einarbeiten
• Retrospektive: Teamdynamik und Prozessverbesserungen im ML-Kontext diskutieren
• Bereitstellung eines einfachen Modells als REST-Endpunkt und Abnahmetest
• Monitoring-Dashboard in Azure ML für den laufenden Modellbetrieb einrichten
• Anpassung des Backlogs nach Feedback aus der Modellbewertung
• Übung: Umgang mit Scope Changes und kurzfristigen Anforderungsänderungen in Sprints
• Abschlussdokumentation eines agil geführten Data-Science-Sprints
• Vorbereitung auf Prüfungsfragen zu DP-100 und EXIN Agiles Projektmanagement

Die Trainer verfügen über praktische Erfahrung in Data-Science- und Agile-Projekten und begleiten die Übungen mit Feedback und Fallbeispielen aus der Industrie.

Diese Weiterbildung spricht Personen an, die entweder in Data-Science-Teams arbeiten oder diese koordinieren möchten — und dabei sowohl technisches als auch methodisches Wissen benötigen.

• Data-Science-Einsteiger mit Python-Grundkenntnissen, die Azure ML professionell einsetzen wollen
• Entwickler und Data Engineers, die ihre Modellierungskenntnisse auf Azure ausbauen möchten
• Projektmanager und Teamleiter in datengetriebenen Teams, die Scrum einführen oder vertiefen wollen
• IT-Fachleute, die die Microsoft-Zertifizierung Azure Data Scientist Associate (DP-100) anstreben
• Personen, die internationale Zertifizierungen in modernen Methodentrainings erwerben möchten

Der Unterricht läuft im Combined-Learning-Format: Präsenzphasen im virtuellen Klassenzimmer wechseln mit betreuten Selbstlernphasen ab. Praktische Laborübungen in der Azure-Umgebung, Fallstudienarbeit und Gruppenübungen zu Scrum-Events bilden den Kern des Lernprogramms. Die Unterrichtsgestaltung folgt dem Charakter eines klassischen Präsenzunterrichts.

Der Kurs dauert in Vollzeit mehr als drei Monate bis zu sechs Monate. Die genaue Laufzeit wird im Beratungsgespräch festgelegt. Teilzeitvarianten können vereinbart werden.

Die Weiterbildung schließt mit einem Lehrgangszertifikat von New Horizons ab. Der DP-100-Teil bereitet auf die offizielle Microsoft-Prüfung Azure Data Scientist Associate vor, die separat abgelegt wird. Der Scrum-Teil baut auf Grundlagen auf, die für EXIN-Zertifizierungen relevant sind; diese Prüfungen werden ebenfalls separat bei EXIN-autorisierten Prüfungszentren abgelegt.

Data Scientists sind am Arbeitsmarkt weiterhin stark nachgefragt — besonders solche, die ihre Modelle nicht nur lokal entwickeln, sondern in skalierbaren Cloud-Plattformen wie Azure ML produktiv einsetzen können. Die DP-100-Zertifizierung ist ein anerkannter Microsoft-Qualitätsnachweis, der in Stellenausschreibungen für Data-Science- und ML-Engineering-Rollen explizit genannt wird. Gleichzeitig wächst die Erkenntnis in der Branche, dass technisches Wissen allein nicht ausreicht: Viele Machine-Learning-Projekte scheitern nicht an der Modellqualität, sondern an schlechter Planung, mangelnder Kommunikation und fehlender iterativer Lieferstruktur. Wer Scrum versteht und anwenden kann, bringt seinen Data-Science-Teams echten organisatorischen Mehrwert. Die Kombination beider Qualifikationen — technische Azure-Expertise und agile Projektmethodik — ist ein Profil, das sowohl in reinen Data-Science-Teams als auch in interdisziplinären Projektteams sehr geschätzt wird. Absolventen können unmittelbar produktiv sein und dazu beitragen, dass KI-Projekte nicht nur fachlich stark, sondern auch termingerecht und anforderungsgerecht geliefert werden.