Sie können grundlegende Schritte mit Python im Bereich Data Science anwenden und die behandelten Aufgaben selbstständig bearbeiten. Sie kennen Wege, weitergehende Algorithmen und Methoden in Python zu finden, um Ihr Wissen auch nach dem Seminar auszubauen.
Sie haben einen Überblick über die behandelten Machine-Learning-Algorithmen, können diese voneinander unterscheiden und in Python anwenden. Die Ergebnisse validieren Sie anhand geeigneter Kennzahlen für Klassifikation und Regression.
Sie arbeiten überwiegend selbstständig mit Unterstützung des Trainers, um das Erlernte direkt umzusetzen. Anhand von Datenbeispielen werden die Bibliotheken pandas, seaborn und scikit-learn besprochen und in umfangreichen Übungen eingesetzt.
Eine Zeile/Spalte ansprechen, hinzufügen, löschen und verändern
Boolean Indexing
Ein leeres DataFrame erstellen
Überblick über Methoden, ein DataFrame anzupassen: Spaltennamen ändern, Werte ersetzen, ein DataFrame sortieren
Grundlegende Statistiken mit pandas
Überblick über Statistiken, die mit einem DataFrame berechnet werden können: Anzahl gültiger Beobachtungen, Summe, Mittelwert, Median, Minimum, Maximum und Varianz
Eine Kreuztabelle (Kontingenztafel) berechnen
Analysen mit groupby gruppieren
Fehlende Werte erkennen und behandeln
Daten einlesen
Das Arbeitsverzeichnis in Python setzen
CSV-Dateien einlesen und schreiben und Überblick über die nützlichsten Parameter hierfür
Das Python-Modul pickle zum Speichern von Python-Objekten
Verschiedene Datentypen konvertieren: Integer, Unsigned Integer, Float und String
Visualisierung mit matplotlib und seaborn
Die Hauptelemente beim Plotten mit matplotlib
Einen Plot anpassen: x- und y-Achse, Beschriftungen, Legende und Titel ändern und den Plot speichern
Auswahl von Farben
Scatterplots, Linienplots, Barplots und Boxplots mit seaborn erstellen
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 und Reinforcement Learning
Overfitting, Train-Test-Split und Cross-Validation (Kreuzvalidierung)
Machine-Learning-Algorithmen (Theorie und Praxis)
Einführung in die Algorithmen: lineare Regression und Entscheidungsbaum
Train-Test-Split der Daten
Umsetzung der Algorithmen in Python
Validieren der Ergebnisse für Klassifikation (z. B. Confusion Matrix, Sensitivität und Accuracy) und Regression (Residuum, R-Quadrat)
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:
Das Seminar richtet sich an technisch interessierte Fachkräfte und Projektleitende, die einen Einstieg in die Programmiersprache Python wünschen, um eigenständig an Data-Science-Projekten mitzuarbeiten oder Python-Code besser zu verstehen.
Teilnahmevoraussetzungen
Sie benötigen keine Erfahrung mit Python.
Sie sollten bereits grundlegende Erfahrungen mit einer Programmiersprache gesammelt haben und deren Grundkonzepte verstehen.
Basiswissen zu statistischen Begriffen wie Mittelwert, Median und Perzentil ist hilfreich.
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.
