Data Science mit Python

Agenda Python-Entwicklungsumgebung

• Installieren neuer Pakete
• Hands-On: Erste Schritte mit Python
• Virtuelle Umgebungen mit venv für projekt-spezifische Software-Entwicklung

Einführung in NumPy

• Listen, Arrays und NumPy-Datentypen
• Berechnungen in Arrays
• Broadcasting
• Fancy Indexing

Einführung in Pandas

• Datenaufbereitung
• Indexierung und Slicing eines DataFrames
• Hands-On: Eigenständiges Arbeiten mit Datenstrukturen

Daten einlesen

• Unterschiedliche Datenformate
• Konvertieren von Daten
• Objekte in Pandas (Series Object, DataFrame Object, Index Object)
• Universal Function (ufunc) mit Pandas
• Hierarchical Indexing
• Arbeiten mit Datasets (Merge, Join)
• Aggregation von Datasets (Grouping)
• Hands-On: Eigenständiges Arbeiten, um Daten verschiedener Formate einzulesen und zu konvertieren

Grundlegende Statistiken (pandas)

• Erstellen von grundlegenden, deskriptiven Statistiken
• Kontingenztafeln erstellen
• Hands-On: Eigenständiges Arbeiten, um Daten verschiedener Formate einzulesen, zu konvertieren und erste Statistiken zu erstellen

Datenvisualisierung (matplotlib)

• Typische Datenvisualisierungen
• Datenvisualisierung in Python
• Datenanalyse mit matplotlib
• Histogramme
• Anpassen von Legenden, Farben, Anmerkungen
• Hands-On: Eigenständiges Arbeiten mit Visualisierungen in Python

Machine Learning Algorithmen

• Feature Engineering
• Technischer Überblick über Machine Learning Algorithmen (supervised, unsupervised)
• Supervised Learning
  • Regression
  • Decision Trees und Random Forests
  • Support Vector Machines
• Unsupervised Learning
  • K-Means-Clustering
  • Principal Component Analysis
  • Gaussian Mixture Models
• Vertiefung einzelner ML Algorithmen
• Validierungsmöglichkeiten: Wie bestimme ich die Generalisierung meiner Lösung

Hands-On: Algorithmen in Python (scikit-learn und tensorflow)

• Einführung: wie Python Algorithmen verwendet
• Hands-On: Eigenständiges Arbeiten, um verschiedene Algorithmen zu testen und zu validieren
• Beispiele in Frameworks scikit-learn und tensorflow für supervised und unsupervised learning

Voraussetzungen

• Grundkenntnisse in Python
• Grundwissen Statistik

Zielgruppe

• Fach- und Führungskräfte
• Projektleiter für Data Science Projekte