Seminare
Seminare

Data Science Crash Course mit Python

Webinar - DHL Data Science Seminare GmbH

In dem Kurs Data Science Crash Course mit Python erhalten Sie eine fundierte und modular aufgebaute Einführung in die Themen Data Science, Künstliche Intelligenz und Machine Learning (Maschinelles Lernen) sowohl für numerische Daten als auch für Textdaten.

Im Modul Künstliche Intelligenz mit Python erhalten Sie einen Überblick über das spannende Thema Künstliche Intelligenz mit vielen Praxisbeispielen. Zudem werden Sie in der Programmiersprache Python so weit fit gemacht, dass Sie Ihr erstes Data-Science-Projekt vom Einlesen der Daten bis hin zur Speicherung der Modelle zur weiteren Verwendung eigenhändig umsetzen können.

Das Modul Machine Learning mit Python geht nun einen Schritt weiter. Hier erhalten Sie einen Einblick in die unterschiedlichen Algorithmen des Maschinellen Lernens. Die Theorie dahinter wird dabei anhand von Praxisübungen aus den Bereichen Clustering, Virtuelle Sensoren und Zeitreihenvorhersage vermittelt. In diesem Modul werden Sie sich hauptsächlich mit der Anwendung des Machine Learning auf numerischen Daten beschäftigen.

Abgerundet wird der Kurs durch das dritte Modul Natural Language Processing (NLP) mit Python, bei dem Sie sich mit der Anwendung des Maschinellen Lernens im Kontext der natürlichen Sprachverarbeitung auseinandersetzen. In einer Praxisübung setzen wir das Webcrawling zur Datenbeschaffung um.

Lesen Sie Feedbacks unserer Teilnehmer unter https://www.provenexpert.com/dhl-data-science-seminare-gmbh/.

Termin Ort Preis*
25.10.2021- 29.10.2021 online 2.375,24
13.12.2021- 17.12.2021 online 2.375,24
*Alle Preise verstehen sich inkl. MwSt.

Detaillierte Informationen zum Seminar

Inhalte:

 

Modul Künstliche Intelligenz mit Python (2 Tage)

  • Überblick, Grundlagen und Praxisbeispiele
    • Künstliche Intelligenz
    • Data Science
    • Maschinelles Lernen
    • Herausforderungen bei der Umsetzung eines Data Science/KI Projekts
    • Praxisbeispiele u.a. zu den Themen:
      • Natural Language Processing (NLP)
      • Bilderkennung
      • Predictive Maintenance
      • Prozessindustrie
      • Logistik
  • Intensivkurs Python
    • Einführung in Python: list, array, loops, functions, classes, plotting
    • Relevante Python-Bibliotheken: numpy, scikit-learn, pandas
    • Data Science mit Python: Statistiken, Korrelationen, Vorverarbeitung
    • Praxis-Übung: Datenzugriff, Datenexplorierung und Visualisierung
  • Methoden des Maschinelles Lernen
    • Überwachtes Lernen/Supervised Learning
    • Unüberwachtes Lernen/Unsupervised Learning
    • Reinforcement Learning
    • Praxis-Übung: Selektion der richtigen Features
  • Data-Science-Zyklus
    • Datenverständnis und Vorbereitung
    • Aufsetzen des Data-Science-Zyklus: Train-Test-Split, Pipelines, Kreuzvalidierung/Crossvalidaton, Hyperparameter-Optimierung
    • Implementierung eines Machine Learning Algorithmus (Learning Vector Quantization)
    • Evaluation des Algorithmus
    • Praxis-Übung: Clustering und Klassifikation

 

Modul Machine Learning mit Python (2 Tage)

  • Praxis-Beispiel I (Clustering)
    • Einführung in den Kontext und die Daten
    • Zielsetzung und Methodennutzung
    • Praxis-Übung I: Dimensionalitätsreduzierung mit einer Principal Components Analysis (PCA)
    • Praxis-Übung II: Kategorie-Einteilung von Service-Einsätzen mittels KMeans und Density-Based Spatial Clustering of Applications with Noise (DBSCAN)
  • Praxis-Beispiel II (Virtueller Sensor)
    • Einführung in den Kontext und die Daten
    • Zielsetzung und Methodennutzung
    • Praxis-Übung: Vorhersage eines (meistens nicht direkt messbaren) Wertes anhand vorhandener Variablen/Merkmale mittels Decision Trees, Random Forest und XGBoost und Evaluation mittels Feature Importance
  • Praxis-Beispiel III (Trendvorhersage)
    • Einführung in den Kontext und die Daten
    • Zielsetzung und Methodennutzung
    • Praxis-Übung I: Zeitreihenvorhersage mittels Random Forest, XGBoost und Neuronalen Netzen
    • Praxis-Übung II: Mulitvariate Zeitreihenvorhersage mittels Long-Short-Term-Memory (LSTM) inkl. eiterführende Python-Bibliotheken: keras, tensorflow

 

Modul Natural Language Processing (NLP) mit Python (1 Tag)

  • Web Scraping und Crawling
    • Kommerzielle und ethische Gesichtspunkte
    • Scrapen einer Webseite: requests, robots.txt, html, regex
    • Praxis-Übung: Scrapen einer Webseite
  • Vorverarbeitung von Text
    • Parsing: Tokenizer, Stopwords, Stemming, n-grams
    • Praxis-Übung: Parsen von Data-Science-Texten
  • Praxis-Beispiel I (Topic Clustering)
    • Kurze Einführung in den Kontext und die Zielsetzung
    • Praxis-Übung: Unüberwachtes Lernen/Unsupervised Learning (DBSCAN)
  • Praxis-Beispiel II (Sentiment Analysis)
    • Kurze Einführung in den Kontext, die Daten und die Zielsetzung
    • Praxis-Übung: Überwachtes Lernen/Supervised Learning (Neuronale Netze)
  • Praxis-Beispiel III (Sentence Completion)
    • Kurze Einführung in den Kontext, die Daten und die Zielsetzung
    • Praxis-Übung: Symbolische Zeitreihenvorhersage (Long-Short-Term-Memory/LSTM und Embedding)
Dauer/zeitlicher Ablauf:
2-5 Tage (9-17 Uhr)
Ziele/Bildungsabschluss:

Am Ende des Data Science Crash Course mit Python werden Sie:

  • die aktuelle Berichterstattung zu Künstliche Intelligenz, Maschinellem Lernen, Reinforcement Learning und Data Science sowie deren Anwendungspotential in verschiedenen Bereichen wie Logistik, Predictive Maintenance oder Chatbots inhaltlich einordnen und bewerten können,
  • vorhandene Daten mit Python und Methoden des Maschinellen Lernens für Ihren Bereich nutzbar machen können (unter Einsatz der Python-Pakete Scikit-Learn und Keras/Tensorflow),
  • die Programmiersprache Python und den wissenschaftlichen Rechenstapel von Python zur Implementierung von Maschinellen Lernalgorithmen kennengelernt haben, um zu wissen, welche Daten für die erfolgreiche Umsetzung einer Fragestellung aus Ihrem Bereich (noch) notwendig sind,
  • ein vollständigen Data-Science-Zyklus umgesetzt haben und damit wissen, was hierfür notwendig ist und welche Herausforderungen auf Sie zukommen werden,
  • eine Kategorien-Einteilung/Clustering mit Unüberwachtem Lernen/Unsupervised Learning (PCA, k-Means, DBSCAN) durchführen können,
  • eine Trendvorhersage mit Überwachtem Lernen/Supervised Learning (Neuronale Netze, XGBoost, LSTM) durchführen können,
  • einen Virtuellen Sensor mit Überwachtem Lernen/Supervised Learning (Decision Tree, Random Forest, XGBoost) entwickeln können,
  • wissen, was Sie beachten müssen, wenn Sie Daten aus dem Internet ziehen (Web Scraping und Web Crawling) – und wie Sie Daten von einer Seite “scrapen” und vorverarbeiten können,
  • wie Sie Texte mittels Tokenizer, Stopwords, Stemming und n-grams vor-verarbeiten bzw. parsen können und
  • einen praktischen Einblick erhalten, wie Sie Topic Clustering, eine Sentiment Analyse und Satz-Vervollständigung mittels Unsupervised und Supervised Learning durchführen können.
Teilnahmevoraussetzungen:
Für den Data Science Crash Course mit Python sind Grundverständnisse der Linearen Algebra (Vektoren, Matrizen) und ein Basiswissen in der Statistik (wie Korrelationen, Signifikanztests, lineare Regression) sehr empfehlenswert. Sie sollten Grundkenntnisse in einer Programmiersprache besitzen, am besten wäre eine Skriptsprache wie Python, R oder Matlab. Liegen keine Programmierkenntnisse vor, können Sie den dafür entwickelten Vorbereitungskurs Einführung in die Programmierung mit Python besuchen.
Technische Voraussetzungen:

Bei unseren Online-Seminaren sitzen Sie an Ihrem Arbeitsplatz – sei es in einem Büro, in einem Unternehmen, im Home-Office oder im Hotel. Sie nehmen an einem Live-Online-Training teil, der vom Ablauf und der Qualität unseren Präsenztrainings entspricht. Der Dozent führt in die Themen ein, beantwortet die Fragen der Teilnehmer und geht in den Übungsrunden auf jeden Teilnehmer persönlich ein. Es gibt eine Vielzahl digitaler Hilfsmittel wie Whiteboards, persönliche Chats mit dem Dozenten, Kanäle mit Unterrichtsmaterialien usw. Mit der heutigen Technik kommt das Präsenz-Seminar zu Ihnen ins Büro. Ein Teilnehmer unserer Kurse schreibt: „Obwohl ich wegen Online Seminar sehr skeptisch gegenüber stand, kann ich dem Dozenten wirklich nur dafür gratulieren, wie gut dieser dieses Seminar umgesetzt hat. Dies könnte man wohl auch nicht besser bei einer Vorort-Schulung machen. Daher kann ich dieses Seminar nur wirklich sehr empfehlen.“ Lesen Sie weitere Rezensionen unserer Teilnehmer unter https://www.provenexpert.com/dhl-data-science-seminare-gmbh/.

  • Sie benötigen zur Teilnahme an dem Online-Seminar einen Computer mit Internetzugang (empfohlene Bandbreite 1 MBit/s).
  • Sie erhalten nach der Anmeldung eine detaillierte Installationsanleitung für die erforderliche Statistik- und Videokonferenz-Software (Teilnahme mit Browser möglich). Bei Bedarf können Sie einen Fernzugang zu einem Schulungscomputer mit der erforderlichen Software erhalten (Windows Remote Desktop).
  • Bei Verwendung eines Laptops: Testen Sie die Funktionsfähigkeit von Kamera, Mikrofon und Lautsprecher. Bei Verwendung eines PCs: Schließen Sie eine Webcam und Lautsprecher an und testen Sie deren Funktionen. Ein Headset wäre empfehlenswert, wenn auch nicht notwendig, wenn vorhandene Geräte funktionieren.
  • Sie können mit einem Gerät/Bildschirm teilnehmen und in gedruckte Unterlagen schauen. Von Vorteil wäre die Verwendung von zwei Geräten/Monitoren: Auf dem einen Gerät/Monitor (z. B. Laptop oder Tablet) sehen Sie die Präsentation des Dozenten oder Unterrichtsmaterialien. Auf dem anderen Gerät/Monitor (z. B. PC oder Laptop) können Sie parallel dazu das Gelernte direkt anwenden und Übungsaufgaben lösen.
Lehrgangsverlauf/Methoden:
  • Rahmen: 2-5 Tage mit 16-40 Stunden Unterricht (täglich 8 Stunden, 8-17 Uhr)
  • Aufteilung Theorie/Praxis: 40 % Theorie + 60 % Praxis mit Übungen
Material:
  • multimedialer Online-Unterricht
  • umfangreiche Online-Materialien
  • persönliche Betreuung der Teilnehmer in den Übungsblöcken
  • ein Zertifikat mit den Schulungsinhalten
Förderung:
Bildungsurlaub NRW, Bildungsscheck, Bildungsprämie, kein Bildungsgutschein
Zielgruppe:
  • Beschäftigte aus operativen Bereichen, R&D und IT mit grundlegenden Programmierkenntnissen, welche die Potenziale von Data Science, Künstlicher Intelligenz und Maschinellem Lernen kennenlernen und hautnah erfahren möchten und
  • Anwender, Studenten, Doktoranden und Forscher aus den mathematischen, statistischen, naturwissenschaftlichen, ingenieurwissenschaftlichen, informationstechnologischen, medizinischen, pharmazeutischen, betriebs-, wirtschafts-, markt- und sozialwissenschaftlichen Bereichen
Seminarkennung:
DSP
Nach unten
Nach oben
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.
Akzeptieren Nicht akzeptieren









Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha



Bei der Verarbeitung Ihrer personenbezogenen Daten im Zusammenhang mit der Kontaktfunktion beachten wir die gesetzlichen Bestimmungen. Unsere ausführlichen Datenschutzinformationen finden Sie hier. Bei der Kontakt-Funktion erhobene Daten werden nur an den jeweiligen Anbieter weitergeleitet und sind nötig, damit der Anbieter auf Ihr Anliegen reagieren kann.







Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha