Python lernen: Kurse und Seminare auf der Plattform seminarmarkt.de!

Design for Six Sigma:Design for Six Sigma (DFSS) ist die Anwendung von Six Sigma Prinzipien, gezieltem Projektmanagement, sowie Methoden und Werkzeugen aus Qualitätsmanagement, Quality Engineering und Statistik, speziell zugeschnitten auf die Anforderungen im Entwicklungsumfeld. Zielsetzungen sind dabei ein standardisiertes und transparentes Projektmanagementsystem, ein konsequentes und systematisches Risikomanagement, sowie die Realisierung des Grundsteins für Six Sigma-Qualität bereits bei der Produktentstehung. Dabei ist DFSS nicht nur auf die Produktentwicklung begrenzt, sondern wird Sie auch zielgerichtet bei der erfolgreichen Durchführung von Projekten zur Entwicklung und zum Redesign von Technologien, Prozessen und Dienstleistungen unterstützen. DFSS Black Belt:Die Qualifikation zum DFSS Black Belt profiliert Sie im Unternehmen als den Six Sigma Experten im Entwicklungsumfeld. Sie lernen wie DFSS effektiv und effizient in den Produktenstehungsprozess integriert wird, konkrete Problemstellungen und Zielsetzungen als Projekte definiert und diese nach der IDOV, DKOV oder DMADV Methode erfolgreich durchgeführt und abgeschlossen werden. Dabei agieren Sie entweder als zielsicherer Projektleiter für komplexe Aufgabenstellungen oder als versierter Methodencoach für Projekte, die von Green Belts geleitet werden. Darüber hinaus sind Sie wertvoller DFSS Berater für das Senior Management. Um dieser verantwortungsvollen und herausfordernden Aufgabe gerecht zu werden, erhal...

In der Schulung Machine Learning - Sprachverarbeitung mit Transformern und Hugging Face lernen Sie, wie man die neuesten NLP-Technologien (Natural Language Processing) effizient nutzt. Sie erhalten einen Überblick über die grundlegenden Konzepte der maschinellen Sprachverarbeitung und werden in die Transformer Architecturen und die Verwendung von Hugging Face für maschinelles Lernen eingeführt.

In der Schulung Machine Learning - Sprachverarbeitung mit Transformern und Hugging Face lernen Sie, wie man die neuesten NLP-Technologien (Natural Language Processing) effizient nutzt. Sie erhalten einen Überblick über die grundlegenden Konzepte der maschinellen Sprachverarbeitung und werden in die Transformer Architecturen und die Verwendung von Hugging Face für maschinelles Lernen eingeführt.

Nach der Teilnahme an diesem Kurs sollten Sie in der Lage sein:

die Rolle der Netzautomatisierung und der Programmierbarkeit im Kontext des End-to-End-Netzmanagements und -betriebs zu erläutern

Definition und Unterscheidung zwischen Wasserfall- und agilen Softwareentwicklungsmethoden

Interpretation und Fehlerbehebung von Python-Skripten mit grundlegenden Programmierkonstrukten, die für Anwendungsfälle der Netzwerkautomatisierung entwickelt wurden

Beschreiben Sie, wie DevOps-Prinzipien, -Tools und -Pipelines auf den Netzwerkbetrieb angewendet werden können.

die Rolle von Entwicklungsumgebungen für die Netzwerkautomatisierung und damit verbundene Technologien wie virtuelle Python-Umgebungen, Vagrant und Docker zu verstehen

Verstehen und Erstellen von HTTP-basierten API-Aufrufen (Application Programming Interface) zu Netzwerkgeräten

die Unterschiede zwischen XML, JSON, YAML und Protokollpuffer (protobuf) und deren gemeinsame Anwendungsfälle zu erläutern

Erstellung und Interpretation von Python-Skripten mit dem Python-Requests-Modul zur Automatisierung von Geräten mit HTTP-basierten APIs

Verstehen der Rolle von YANG in der Netzwerkautomatisierung

Verstehen, dass es mehrere Tools gibt, die die Arbeit mit YANG-Modellen vereinfachen

Beschreiben Sie die Funktionalität von RESTCONF und NETCONF und die Unterschiede zwischen ihnen

Erstellen von Ansible-Playbooks zur Konfiguration ...

Das Seminar Grundlagen von R für Anfänger bietet Teilnehmern einen umfassenden Einstieg in die Verwendung von R und R-Studio. Es beginnt mit einem kurzen Einblick in R und R-Studio. Anschließend wird den Teilnehmern die Bedienung von R und R-Studio nähergebracht, einschließlich der Verwendung des Editors, der Konsole und der Hilfefunktionen.
Die Teilnehmer lernen, wie sie Pakete in R installieren und einbinden können, sowie wie man Variablen zuordnet und Skripte erstellt und ausführt. Dabei werden sie mit den Hauptdatenstrukturen von R, wie Vektoren, Faktoren und Arrays, vertraut gemacht. Sie erfahren, wie sie Elemente aus diesen Datenstrukturen extrahieren, Daten mit grundlegenden Funktionen aufbereiten und Daten in verschiedene Datenstrukturen umwandeln können.
Im weiteren Verlauf des Seminars erhalten die Teilnehmer eine Einführung in das dplyr-Paket, einen Bestandteil des tidyverse. Sie lernen, wie sie mit einem Tibble arbeiten können, einer Fortentwicklung des data.frames, und wie sie die ersten dplyr-Funktionen zur Spaltenauswahl anwenden können, einschließlich select(), filter(), rename() und slice(). Sie werden auch den Einsatz logischer Operatoren kennenlernen.
In der Folge werden die Teilnehmer in die Datenmodifikation mit dplyr eingeführt. Sie lernen, wie man Zeilen mit der Funktion arrange() sortiert, neue Spalten mit mutate() berechnet und statistische Zusammenfassungen mit summarise() erstellt. Die Verwendung des Pipe Operators %>%, der Grupp...

In diesem Kurs werden Ihnen grundlegende Kenntnisse über die Programmiersprache R vermittelt, die in den Bereichen Statistik, Data Science und Machine Learning weit verbreitet ist. Sie werden RStudio als Entwicklungsumgebung kennenlernen, die am häufigsten für R verwendet wird. Nach Abschluss des Kurses werden Sie in der Lage sein, Daten aus verschiedenen Formaten einzulesen, Daten mit ggplot2 zu visualisieren und Daten mit dplyr aus tidyverse zu bereinigen (z.B. fehlende Werte ersetzen, Zeilen und Spalten anpassen, neue Spalten erstellen).

Sie werden in der Lage sein, eigene einfache Funktionen zu schreiben und Control Flows (z.B. For-Schleifen, If-Else-Anweisungen) in R umzusetzen. Sie werden das Grundkonzept von tidyverse/dplyr verstehen und in der Lage sein, Data Wrangling und Data Cleaning durchzuführen.

Der Kurs wird Ihnen die verschiedenen Arten des Machine Learning (überwacht, unüberwacht und verstärkt) vorstellen. Sie werden in der Lage sein, Algorithmen in R eigenständig zu trainieren, zu validieren, einen Train-Test Split durchzuführen und Gütekriterien zur Bewertung von Algorithmen zu berechnen und zu interpretieren. Sie werden bekannte Machine Learning Algorithmen wie lineare Regression, logistische Regression, Entscheidungsbaum, Random Forest und k-means Clustering verstehen und in R implementieren können.

Nach Abschluss des Kurses werden Sie in der Lage sein, R eigenständig für Machine Learning und Data Science zu verwenden und ...