Data Science und Machine Learning: Einführung in die wichtigsten Python Bibliotheken

Machine Learning soll IT-Systeme in die Lage versetzen, auf Basis vorhandener Datensätze mit entsprechenden Algorithmen, Muster und Gesetzmäßigkeiten zu erkennen. Damit soll „Wissen“ aus Erfahrungswerten und Mustern künstlich generiert werden und diese Systeme nach dem „anlernen“ auch neue und unbekannte Daten klassifizieren und zuordnen können..

Das Machine Learning ist ein Teilbereich der Künstlichen Intelligenz – auch wenn in der medialen Öffentlichkeit die Begriffe teilweise austauschbar verwendet.
Im Bereich des Machine Learnings ( oder maschinelles Lernen) müssen Rohdaten aus vielerlei Quellen eingelesen, verarbeitet und präsentiert werden.

Im Bereich maschinelles Lernen gilt Phyton als eine der am häufigsten verwandten Programmiersprachen. Die Anfang der 1990er Jahre entwickelte höhere Programmiersprache gilt als eine universelle, einfach zu erlernende Programmiersprache. Sie fördert einen einfachen und übersichtlichen Programmierstil und erlaubt zügiges Programmieren.

Mit der Absolvierung des Kurses erlernen Sie die Programmierung mit Python besonders im Hinblick auf den Einsatz für Datenanalyse und Machine Learning Anwendungen. 

 Wer effizient und effektiv Methoden der Data-Science und des Machine Learnings mit Python anwenden will, muss vorher allerdings die nötigen Tools kennen und beherrschen.

Sie lernen, wie Sie Python-Hilfsmodule, die sogenannten Programmierbibliotheken, wie  Numpy, Pandas und Matplotlib je nach Kontext einsetzen. Außerdem vermitteln wir Ihnen Grundlagen und Konzepte aus den Bereichen Data Science und Machine Learning, wie z.B. Statistik, Text- und Data-Mining und die Aufgaben des maschinellen Lernens wie Klassifikation, Regression, Clustering und Empfehlungssysteme.

Der Stoff wird aufgelockert mit kleinen Übungsaufgaben und Quizzen, um das Erlernte auch gleich auf Daten anzuwenden.

• Installation Python
• Virtuelle Umgebung anlegen
• Jupyter Notebook installieren und erste Schritte
• Numpy
  
  • Array Basics und Datentypen, Numpy Performance
  • Matritzen, Vektoren
  • Shapes und Reshaping
  • Numpy Funktionen
  • Sortierungen
  • Gruppieren, Aggregate
  • Broadcasting
  • boolsche Serien, Filtern
  • Verteilungen (Normalverteilung, Gleichverteilung)
  • Universelle Funktionen (ufuncs)
  • Daten laden und speichern
  • Daten plotten
  • Übungen und Quizzes
  
  

• Pandas
  
  • Series, Datentypen
  • Dataframes und deskriptive Statistik (Mittelwert, Median, Modus, ...)
  • Spalten und Reihen (Hinzufügen, Löschen, Updaten)
  • Einlesen von CSV-Dateien mit Pandas
  • Grundfunktionen
  • Sortieren, Aggregate, Gruppieren
  • Umgang mit fehlenden Werten, NAN
  • Anwenden von Funktionen auf Spalten
  • Filtern, boolsche Serien
  • Zeitreihen
  • Joins
  • mit Pandas plotten
  • Übungen und Quizzes
  
  

• Pandas
  
  • Daten aus einer Api auslesen
  • Dataframes speichern
  • Testdaten generieren mit Faker
  
  
• Matplotlib
  
  • Funktionen plotten
  • Scatterplots
  • Figures und Subplots
  • Histogramme
  • interaktive Plots
  • Contourplots
  • Übungen und Quizzes
  
  

• Themen nach Bedarf und Zeit
  
  • Statistische Datenvisualisierung mit Seaborn (Boxplots, Pairplots)
  • erste Schritte mit Sklearn (Machine Learning)
  
  

Analyst:innen und Wissenschaftler:innen, die in die Data-Science und das Machine Learning mit Python einsteigen und sich vorab die wichtigsten Tools und Bibliotheken aneignen wollen. Grundkenntnisse in Python werden vorausgesetzt.