Detaillierte Informationen zum Seminar
Inhalte:
1. Grundlagen Data Analytics mit Python
- Arbeiten mit dem Data Lab
- Grundlagen und Konzepte in Python
- Vorstellung der Tools pandas, matplotlib uns Seaborn
- Datenbankanfragen mir SQL Alchemy
2. Lineare Algebra
- Mathematische Hintergründe
- Grundbegriffe der linearen Algebra
- Berechnung mit Vektoren und Matrizen
- Einsatz der Python-Bibliothek numpy
3. Wahrscheinlichkeitsverteilung
- Statistik in Data-Science-Algorithmen
- Diskrete und kontinuierliche Verteilungen
- Versionierung von Code in Git
4. Überwachtes Lernen (Regression)
- Lineare Regression einsetzen
- Einsatz des Python-Pakets sklearn
- Regressionsmodelle verstehen
- Evaluation der Prognosen
- Bias-Variance-Trade-Off und Regularisierung
- Messung der Modellgüte
5. Überwachtes Lernen (Klassifikation)
- Konzepte des Supervised Learning
- Einführung in Klassifikationsalgorithmen
- Der k-Nearest-Neighbors-Algorithmus
- Einschätzung der Klassifikationsperformance
- Optimierung der Parameter
- Aufteilung der Daten in Trainings- und Evaluationssets
6. Unüberwachtes Lernen (Clustering)
- Konzepte des Unsupervised Learning
- Der k-Means-Algorithmus
- Evaluation der Performance-Metriken
- Alternativen zum k-Means-Clustering
7. Unüberwachtes Lernen (Dimensionsreduktion)
- Dimensionen in der Datenbetrachtung reduzieren
- Principal Component Analysis (PCA)
- Unkorrelierte Features aus Ursprungsdaten erzeugen
- Einführung in Feature Engineering
8. Ausreißer identifizieren und ausschließen
- Methoden zur Erkennung von Ausreißern
- Kriterien ungewöhnlicher Datenpunkte
- Robuste Maße und Reduktion der Einflüsse durch Ausreißer
9. Daten sammeln und zusammenführen
- Daten aus Webseiten und PDF-Dokumenten auslesen
- Einsatz von Regulären Ausdrücken
- Textdaten vor der Verarbeitung strukturieren
10. Logistische Regression
- Konzepte der logistischen Regression
- Performance-Metriken zur Evaluation
- Nicht-numerische Daten in Modellen einsetzen
11. Entscheidungsbäume und Random Forests
- Das Konzept der Decision Trees
- Mehrere Modelle zu Ensembles kombinieren
- Methoden zur Verbesserung der Vorhersage-Qualität
12. Support Vector Machines
- Einsatz von Support Vector Machines (SVM)
- Einführung in Natural Language Processing (NLP)
- Textklassifikation mit Bag-of-Words-Modellen
13. Neuronale Netze
- Grundlagen künstliche neuronaler Netze (KNN)
- Grundlagen des Deep Learnings
- Tieferes Verständnis der Schichten in KNN
14. Visualisierung und Model-Interpretation
- Funktionsweisen von Modellen ableiten und darstellen
- Methoden zur Interpretation und Visualisierung
- Modelagnostische Methoden anwenden
15. Verteilte Datenbanken einsetzen
- Das Python-Paket PySpark einsetzen
- Daten aus verteilten Datenbanken auslesen
- Grundlagen von Big-Data-Analysen
- Machine-Learning-Algorithmen in verteilten Systemen nutzen
16. Übungsprojekt
- Umfassenden Übungsprojekt selbstständig bearbeiten
- Prädiktionsproblem mithilfe eines größeren Datensets lösen
- Vorbereitung für das Abschlussprojekt
17. Abschlussprojekt
- Selbstständige Analyse des Datenprojekts
- Ergebnispräsentation und 1:1-Feedbackgespräch mit Mentoring-Team
- Erhalt des Zertifikats zum Data Analyst mit Python
Dauer/zeitlicher Ablauf:
18 Wochen (6 Std./Woche)
Ziele/Bildungsabschluss:
In diesem praxisorientierten Training lernen Sie, selbstständig Datenanalysen mit großen Datensets durchzuführen.
Sie lernen, kompetent mit Python umzugehen, die Programmiersprache zur Datenauswertung einzusetzen und effektive Visualisierungen zu erstellen.
Sie erfahren, wie Sie verschiedenste Datenquellen anbinden, Daten darin filtern und daraus zusammenzuführen.
Sie lernen umfassend Methoden, Algorithmen und Technologien des Machine Learnings kennen und erfahren, wie Sie diese mit Python-Paketen einsetzen.
Sie erfahren alles Wichtige über den Einsatz von Deep Learning und erzeugen ein künstliches neuronales Netz mit mehreren Schichten.
Nach dem Training sind Sie in der Lage, Unternehmensdaten zu untersuchen, aussagekräftig zu visualisieren und in dynamischen Dashboards interaktiv zugänglich zu machen.
Die technischen Einstiegshürden werden durch den Einsatz von Jupyter Notebooks minimiert, mit denen Sie die Programmierübungen direkt im Browser durchführen können.
Zielgruppe:
Die Online-Weiterbildung zum Data Scientist mit Python eignet sich für alle, die eine umfassende Schulung über Machine Learning und Data-Pipelines suchen. Es werden Grundkenntnisse in Python vorausgesetzt. Die Weiterbildung eignet sich auch für Quereinsteiger:innen.
Seminarkennung:
30354
