Sie können grundlegende Schritte mit Python im Bereich Data Science anwenden, so dass ein selbstständiges Arbeiten möglich ist. Wege, um weitergehende Algorithmen und Methoden in Python zu finden sind bekannt, um das Wissen auch nach dem Seminar weiter ausbauen zu können. Sie haben einen Überblick über verwendete Algorithmen im Machine Learning und können diese voneinander differenzieren und in Python anwenden. Sie arbeiten überwiegend selbstständig mit Unterstützung des Trainers, um das Erlernte direkt umzusetzen und anzuwenden. Anhand von Datenbeispielen werden die wichtigsten Bibliotheken (pandas, seaborn, scikit-learn) besprochen und in umfangreichen Übungen trainiert.
Eine Zeile/Spalte ansprechen, hinzufügen, löschen und verändern
Boolean indexing
Ein leeres data.frame erstellen
Überblick über Methoden, ein data.frame anzupassen (Spaltennamen ändern, Werte ersetzen, ein data.frame sortieren
Grundlegende Statistiken mit pandas
Überblick über Statistiken, die mit einem data.frame berechnen werden kann (Anzahl an gültigen Beobachtungen, Summe, Mittelwert, Median, Minimum, Maximum, Varianz,...)
Eine Kreuztabelle (Kontingenztafel) berechnen
Analysen mit grouphy gruppieren
Fehlende Werte ergänzen
Daten einlesen
Das Arbeitsverzeichnis in Python setzen
Ein CSV einlesen und schreiben und Überblick über die nützlichsten Parameter hierfür
Python's pickle modul zum Speichern von Python Objekten
Verschiedene Datentypen konvertieren (integer, unsigned integer, float, string)
Visualisierung mit matplotlib undseaborn
Die Hauptelemente beim Plotten mit matplotlib
Einen Plot anpassen (x- und y-Achse ändern, Beschriftungen, Legende und Titel ändern) und speichern
Auswahl von Farben
Erstellen von Scatterplot, Linienplot, Barplot, Boxplot mit seaborn
Control Flows
Die range() Funktion
Eine eigene Funktion schreiben
Default Parameter in einer Funktion setzen
For Schleifen
If-Else Bedingungen
Logische Vergleichsoperatoren
Zuweisungsoperatoren
Überblick über Machine Learning
Was ist Machine Learning
Die Einteilung von Algorithmen im Machine Learning (supervised Learning - unsupervised learning - reinforcement learning)
Overfitting, Train-Test-Split und cross-validation (Kreuzvalidierung)
Machine Learning Algorithmen (Theorie und Praxis)
Einführung in den Algorithmus (Lineare Regression, Entscheidungsbaum)
Train-Test Split der Daten
Umsetzung des Algorithmus in Python
Validieren der Ergebnisse (u.a. confusion matrix, sensitivity, accuracy)
Optional: Weitere Machine Learning Algorithmen in Python
Erklärung von Random Forest und K-means
Umsetzung dieser Algorithmen in Python
Validieren der Ergebnisse
Cross-validation (Kreuzvalidierung)
Dauer/zeitlicher Ablauf:
3 Tage
Zielgruppe:
Technisch interessierte Fachkräfte bzw. Projektleiter, welche einen Einstieg in die Programmiersprache Python wünschen, um eigenständig an Data Science Projekten mitzuarbeiten oder ein besseres Verständnis für Python Code zu erhalten. Die Teilnehmer benötigen keine Erfahrung mit Python, sollten aber schon grundlegende Erfahrung mit einer Programmiersprache gemacht haben, um das Grundkonzept einer Programmiersprache zu verstehen. Überdies ist ein Basiswissen von grundlegenden statistischen Begriffen hilfreich (wie Mittelwert, Median, Perzentil).
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
