Data Science Deep Dive
By INWT Statistics GmbH
Listen to a podcast, please open Podcast Republic app. Available on Google Play Store and Apple App Store.
Image by INWT Statistics GmbH
Category: Technology
Open in Apple Podcasts
Open RSS feed
Open Website
Rate for this podcast
Subscribers: 11
Reviews: 0
Episodes: 77
Description
Wir machen Data Science. Und in unserem Podcast Data Science Deep Dive reden wir darüber.
Du bist ebenfalls Data Scientist oder interessierst dich für Daten, ML und AI? Dann ist dieser Podcast für dich. Wir teilen unsere Learnings aus über 180 Projekten, du bekommst Infos und Anregungen zu spannenden Themen rund um Daten.
Wir klären auf, geben Hinweise und teilen unsere Erfahrungen, die wir in über 10 Jahren als Data Scientists im B2B Bereich gesammelt haben.
Wir decken auf, was wirklich hinter den Hypes und Trends der Data Science Branche steckt.
Wir hinterfragen, was ein Data Science Projekt erfolgreich macht und welche Faktoren es zum Scheitern verurteilen.
| Episode | Date |
|---|---|
|
#76: Digitale Souveränität: Risiken verstehen, souverän handeln
|
Jul 10, 2025 |
|
#75: Refactoring done right: Strategien, Risiken und Best Practice
|
Jun 26, 2025 |
|
#74: [PAIQ1] Predictive AI Quarterly
|
Jun 12, 2025 |
|
#73: Korrelation vs. Kausalität: Was braucht es für fundierte Entscheidungen?
|
May 29, 2025 |
|
#72: TabPFN: Die KI-Revolution für tabulare Daten mit Noah Hollmann
|
May 15, 2025 |
|
#71: Predictive LLMs: Skalierung, Reproduzierbarkeit & DeepSeek
|
May 01, 2025 |
|
#70: Der Aufstieg zur Datenreife – Stufe für Stufe zur Data Maturity
|
Apr 17, 2025 |
|
#69: AI Agents verstehen und evaluieren mit Matthäus Deutsch
|
Apr 03, 2025 |
|
#68: CI/CD für Daten: Datenversionierung für stabile & nachvollziehbare Systeme
|
Mar 20, 2025 |
|
#67: "It works on my machine" war gestern – Docker Best Practices für Data Science
|
Mar 06, 2025 |
|
#66: Developer vs. Data Scientist mit Andy Grunwald und Wolfgang Gassler
|
Feb 20, 2025 |
|
#65: Sicher ist nur die Unsicherheit: Unsicherheitsintervalle erklärt
|
Feb 06, 2025 |
|
#64: Predictive LLMs: Übertreffen Open-Source-Modelle jetzt OpenAI und XGBoost bei Preisprognosen?
|
Jan 23, 2025 |
|
#63: Data Mining: der pragmatische Weg zu Datenreife & Datenkultur mit Prof. Dr. Ana Moya
|
Jan 09, 2025 |
|
#62: Kafka und Datenströme erklärt – und wie das jetzt auch in R läuft
|
Dec 19, 2024 |
|
#61: Technologische Must-Haves: Unser Survival-Guide für Data-Science-Projekte
|
Dec 05, 2024 |
|
#60: Job-Sicherheit als Data Scientist: Personalentwicklung in Zeiten von AI
|
Nov 21, 2024 |
|
#59: Besser mit Helm: komplexe Deployments einfach(er) umsetzen
|
Nov 07, 2024 |
|
#58: Arm, aber sexy: Data Warehousing at Scale ohne Budget
|
Oct 24, 2024 |
|
#57: Mehr als heiße Luft: unsere Berliner Luftschadstoffprognose mit Dr. Andreas Kerschbaumer
|
Oct 10, 2024 |
|
#56: Unsere Bundestagswahl-Prognose: Wer gewinnt die Wahl 2025?
|
Sep 26, 2024 |
|
#55: Alle machen XGBoost, aber was macht eigentlich XGBoost? Mit Matthäus Deutsch
|
Sep 16, 2024 |
|
#54: Modell-Deployment: Wie bringe ich mein Modell in die Produktion?
|
Aug 29, 2024 |
|
#53: Agilität à la carte: Das Agile Fluency Model mit Dr. Wolf-Gideon Bleek
|
Aug 15, 2024 |
|
#52: In-process Datenbanken und das Ende von Big Data
|
Aug 01, 2024 |
|
#51: Wer rastet, rostet: Die Rolle von Weiterbildung in Data Science
|
Jul 18, 2024 |
|
Ankündigung: Unser Podcast bekommt einen neuen Namen!
|
Jul 11, 2024 |
|
#50: Predictive Analytics mit LLMs: ist GPT3.5 besser als XGBoost?
|
Jul 04, 2024 |
|
#49: Data Science Projekte richtig managen mit Prof. Dr. Marcel Hebing
|
Jun 13, 2024 |
|
#48: Open Source vs. Closed Source: Entwicklungen, Trends und Herausforderungen
|
May 30, 2024 |
|
#47: Von Prognosen und Prompts: Data Science trifft generative KI mit Tobias Sterbak
|
May 16, 2024 |
|
#46: Strategien zur Performance-Optimierung in R
|
May 02, 2024 |
|
#45: Data Science bei 1&1 Versatel – Dr. Stephan Hausberg im Gespräch über den Aufbau von Data Teams
|
Apr 18, 2024 |
|
#44: Lineare Regression in der Praxis – Oldie oder Goldie?
|
Apr 04, 2024 |
|
#43: Damit es im Live-Betrieb nicht kracht: Vermeidung von Overfitting & Data Leakage
|
Mar 21, 2024 |
|
#42: Frontends in Data Science: Welches Visualisierungstool ist das Richtige?
|
Mar 07, 2024 |
|
#41: Strategien zur Performance-Optimierung in Python
|
Feb 22, 2024 |
|
#40: Sonderfolge: Frauen in Data Science und Tech mit Catrin & Isa von Mind the Tech
|
Feb 08, 2024 |
|
#39: Death by Microservices
|
Jan 26, 2024 |
|
#38: Im Rennen gegen die Zeit: Echtzeitprognosen mit komplexen statistischen Modellen
|
Jan 11, 2024 |
|
#37: Deep Learning zur Erkennung von Hochwasser auf Satellitenbildern mit Philip Popien von Floodbase
|
Dec 07, 2023 |
|
#36: Der Data Mesh Hype und was davon bleibt
|
Nov 23, 2023 |
|
#35: Erfolgsfaktoren für Machine Learning Projekte mit Philipp Jackmuth von dida
|
Nov 09, 2023 |
|
#34: Was ist Attribution im Online Marketing und lohnt sie sich noch?
|
Oct 26, 2023 |
|
#33: Data Science bei Zalando – Dr. Claudia Baldermann im Gespräch über Product Development & Organisation
|
Sep 28, 2023 |
|
#32: Brauche ich Data-Science-Berater*innen und wenn ja wie viele?
|
Sep 14, 2023 |
|
#31: Ist R eigentlich tot?
|
Aug 31, 2023 |
|
#30: Agile Softwareentwicklung im Data-Science-Kontext
|
Aug 17, 2023 |
|
#29: Die Qual der Wahl: Data Science Plattform vs. Customized Stack
|
Aug 03, 2023 |
|
#28: Unsere Erkenntnisse aus einem Fraud-Detection-Projekt mit Echtzeitdaten
|
Jul 20, 2023 |
|
#27: Kann ein Large Language Model (LLM) bei der Klassifikation tabellarischer Daten XGBoost schlagen?
|
Jul 06, 2023 |
|
#26: A/B-Testing: Erkenntnisse statt Bauchgefühl
|
Jun 22, 2023 |
|
#25: Feature Store: Features als wiederverwendbares Datenprodukt
|
May 25, 2023 |
|
#24: Explainable AI: Entscheidungen von Black-Box-Modellen verstehen
|
May 11, 2023 |
|
#23: Unsexy aber wichtig: Tests und Monitoring
|
Apr 27, 2023 |
|
#22: Sind Makro-Prognosen in Zeiten von Strukturbrüchen noch sinnvoll?
|
Apr 13, 2023 |
|
#21: Machine Learning Operations (MLOps)
|
Mar 30, 2023 |
|
#20: Ist Continuous Integration (CI) ein Muss für Data Scientists?
|
Mar 16, 2023 |
|
#19: Data Science und Story Telling
|
Mar 02, 2023 |
|
#18: Big Data Erfolgsgeschichten
|
Feb 16, 2023 |
|
#17: Use Case - Kundensegmentierung
|
Feb 02, 2023 |
|
#16: Sind Daten das neue Öl?
|
Jan 19, 2023 |
|
#15: Data Science Architektur: Microservices vs. Data Mesh
|
Jan 05, 2023 |
|
#14: Kubernetes
|
Dec 22, 2022 |
|
#13: Datenqualität
|
Dec 08, 2022 |
|
#12: Use Case - Luftschadstoffprognose für Berlin
|
Nov 24, 2022 |
|
#11: Real Time Analytics
|
Nov 10, 2022 |
|
#10: Signifikanz
|
Oct 27, 2022 |
|
#9: Data Science Project Ownership
|
Sep 15, 2022 |
|
#8: Use Case - Customer Lifetime Value (CLV)
|
Sep 01, 2022 |
|
#7: Data Culture
|
Aug 18, 2022 |
|
#6: Statistik vs. Machine Learning
|
Aug 03, 2022 |
|
#5: Data Warehouse vs. Data Lake vs. Data Mesh
|
Jul 20, 2022 |
|
#4: Job-Profile & Arbeitsmarkt
|
Jul 06, 2022 |
|
#3: Statistik vs. Data Science
|
Jun 22, 2022 |
|
#2: Erfolgsfaktoren für Predictive Analytics Projekte
|
Jun 08, 2022 |
|
#1: Big Data Hype
|
May 25, 2022 |