Seminaranmeldung

In dieser 3-tägigen Schulung "Data Science mit Python" lernen Sie den Einsatz von Python im Bereich Data Science. Der Kurs vermittelt Ihnen die grundlegenden Funktionen von Algorithmen im Bereich des maschinellen Lernens, die mit Python umgesetzt werden können. Sie werden lernen, wie Sie fortgeschrittene Algorithmen entwickeln können. Darüber hinaus werden Sie in der Schulung lernen, wie Sie Daten unterschiedlicher Herkunft einlesen, aufbereiten und visualisieren können. Nach Abschluss der Schulung werden Sie in der Lage sein, Python effektiv für Data Science-Anwendungen einzusetzen und mit Daten umzugehen.

Python-Entwicklungsumgebung

• Hands-On: Erste Schritte mit Python
• Aufsetzen einer Python Arbeitsumgebung

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