Data Science in der Praxis: Datenanalysen und maschinelles Lernen mit Python: Der Intensivkurs mit allen Grundlagen und vielen praktischen Übungen mit Python

1. Einführung in Python für Data Science

• Warum Python?
• Python-Basics kompakt vermittelt
• Datentypen und Datenstrukturen
• Externe Packages nutzen
• Eigenwertberechnung mit NumPy und Matplotlib
• Einsatz von Jupyter Notebooks

2. Deskriptive Statistik mit pandas

• Einführung in pandas
• Mittelwert
• Standardabweichung
• Median
• Quantile
• DataFrames analysieren mit df.describe()

3. Einstieg in das Machine Learning

• Verfahren, Datentypen und Daten
• Modelltraining und Modellbewertung
• Bias und Variance
• Training und Inference mit scikit-learn

4. Lineare Regression: Modelle, Training, Erweiterungen

• Lineare Regression
• Training und Bewertung von Regressionsmodellen
• Lineare Regression mit mehreren Features
• Lineare Regression mit scikit-learn
• Kategoriale Features
• Regression mit Basisfunktionen

5. Modellbewertung und Optimierung

• Overfitting: Cross-Validation und Regularisierung
• Regularisierung: Lasso- und Ridge-Regression
• Bias-Variance Tradeoff: Fehler ausbalancieren

6. Arbeiten mit relationalen Daten

• Gruppierung
• Aggregation
• Transformation
• Filter
• Joins
• Kreuzprodukt

7. Wichtige Klassifikationsverfahren

• K-Nearest-Neighbors (k-NN)
• Decision Trees
• Ensemble Methoden (Bagging, Boosting, Random Forest)
• Support Vector Machines

8. Optimierung und Bewertung von Modellen

• Grid Search
• Cross-Validation
• Bewertung binärer Klassifikatoren

9. Methoden im Unsupervised Learning

• k-Means
• Dimensionsreduktion (PCA)

10. Überblick über Neuronale Netze

• Funktionsweise von Neuronalen Netzen
• Perceptrons
• Aktivierungsfunktionen
• Gradientenverfahren

Praktische Übungen zum Mitprogrammieren

Durch das ganze Seminar hindurch löst du selbst praxisnahe Aufgaben mit Python, die dir helfen, das Gelernte sofort anzuwenden und zu festigen. Diese Übungen sind so konzipiert, dass sie Herausforderungen simulieren, mit denen Data Scientists in der realen Welt konfrontiert sind. Bereitgestellt werden die Aufgaben in Jupyter Notebooks – du benötigst also keine komplexen Programmierumgebungen.

Grundlegende Programmierkenntnisse von Vorteil

In diesem Seminar wird die Programmiersprache Python eingesetzt. Auch wenn das Seminar mit einem kurzen Crashkurs zu wichtigen Python-Anweisungen beginnt, ist es von Vorteil, wenn du schon grundlegende Programmierkenntnisse, etwa zu Variablen, Listen, Arrays und for-Schleifen, mitbringst oder dir vor dem Seminar erstes Wissen darüber aneignest. Damit kannst du die vermittelten Konzepte schneller erfassen und die praktischen Übungen effektiver umsetzen. Du kannst das Seminar auch ohne Vorkenntnisse erfolgreich belegen. Bitte richte dich dann auf eine etwas steilere Lernkurve ein. Ob mit oder ohne Vorwissen, die Referent:innen werden dich bestmöglich unterstützen und durch die Inhalte begleiten.

Du lernst alle Stufen im Data-Mining- und Machine-Learning-Prozess im Detail kennen – von der Datenvorbereitung bis zum Training und zur Anwendung von Datenmodellen.

Mit diesem Kurs erschließt du dir ein neues, gefragtes Kompetenzfeld und qualifizierst dich für Aufgaben in den Bereichen Datenanalyse, Machine Learning und Künstliche Intelligenz.

Nach Abschluss des Seminars bist du mit soliden Kenntnissen und praktischen Fähigkeiten ausgestattet, um Data Science-Projekte zu planen, zu konzipieren und selbst durchführen zu können.

Du entwickelst eine klare Vorstellung davon, wie du maschinelles Lernen in deinem beruflichen Alltag effektiv einsetzen kannst, um gezielt Anwendungsfälle zu unterstützen und Mehrwerte für dein Unternehmen zu schaffen.

Dieses Training richtet sich an alle, die Machine Learning im Detail verstehen und im Rahmen von eigenen Projekten einsetzen möchten.

Grundlegende Kenntnisse in der Programmierung – in Python oder einer anderen Sprache – sowie weitergehendes technisches, mathematisches und statistisches Vorwissen sind von Vorteil, aber nicht erforderlich zur Teilnahme an dem Kurs.

Dieser Kurs ist ein wertvoller Baustein in der Qualifizierung zum Data Scientist, Data Analyst, Machine Learning Engineer und Data Engineer.