Seminare zum Thema Programmiersprachen

Sie können grundlegende Schritte mit Python im Bereich Data Science anwenden, so dass ein selbstständiges Arbeiten möglich ist. Wege, um weitergehende Algorithmen und Methoden in Python zu finden sind bekannt, um das Wissen auch nach dem Seminar weiter ausbauen zu können. Sie haben einen Überblick über verwendete Algorithmen im Machine Learning und können diese voneinander differenzieren und in Python anwenden. Sie arbeiten überwiegend selbstständig mit Unterstützung des Trainers, um das Erlernte direkt umzusetzen und anzuwenden. Anhand von Datenbeispielen werden die wichtigsten Bibliotheken (pandas, seaborn, scikit-learn) besprochen und in umfangreichen Übungen trainiert. 

Sie können grundlegende Schritte mit Python im Bereich Data Science anwenden, so dass ein selbstständiges Arbeiten möglich ist. Wege, um weitergehende Algorithmen und Methoden in Python zu finden sind bekannt, um das Wissen auch nach dem Seminar weiter ausbauen zu können. Sie haben einen Überblick über verwendete Algorithmen im Machine Learning und können diese voneinander differenzieren und in Python anwenden. Sie arbeiten überwiegend selbstständig mit Unterstützung des Trainers, um das Erlernte direkt umzusetzen und anzuwenden. Anhand von Datenbeispielen werden die wichtigsten Bibliotheken (pandas, seaborn, scikit-learn) besprochen und in umfangreichen Übungen trainiert. 

Dieser Kurs gehört zur Seminarreihe „Multivariate Datenanalyse mit R”.  Sie erhalten eine fundierte Einführung in die wichtigsten Verfahren der Zeitreihenanalyse.

Die Zeitreihenanalyse umfasst eine Reihe statistischer Verfahren, die mit verschiedenen Ansätzen für verschiedene Anforderungen entwickelt wurden und sich gegenseitig ergänzen. Zeitreihen können einer Eigendynamik, zyklischen Schwankungen (wie der Saisonalität der Jahreszeiten) und den Einflüssen anderer Variablen unterliegen. In diesem Kurs lernen Sie, wie Sie das richtige Verfahren auswählen und ein Modell für Ihre Zeitreihen entwickeln, das Ihre Daten am besten erklärt. Für kurzfristige Voraussagen eignen sich exponentielle Prognosemodelle (State-Space-Modelle) und für langfristige Prognosen die Zeitregression und die ARIMA-Modellierung.

Da die Zeitreihenregression eine Weiterentwicklung eines linearen Regressionsmodells ist, empfiehlt es sich, sich zuvor mit der Regressionsanalyse vertraut gemacht zu haben (s. erstes Modul der Seminarreihe „Multivariate Datenanalyse mit R”).

Sie lernen die Grundlagen und die praktische Anwendung der gängigsten Lernalgorithmen aus der Scikit-Learn Bibliothek. Sie bekommen ein Gespür für den Wert Ihrer Daten und dafür, wie Sie diese Daten in Ihrem Geschäftsfeld einsetzen können, um Automatisierungsprozesse voranzutreiben. Sie verstehen die verschiedenen Lernalgorithmen in Theorie und Praxis (lineare und logistische Regression, Support Vector Machine, Decision Tree, Naive Bayes) und üben die Anwendung anhand praktischer Beispiele ein. Die Konzepte werden anhand von Folien anschaulich erklärt, an Beispielen verdeutlicht und gemeinsam in Python umgesetzt. Passgenaue Aufgabenstellungen ergänzen den Lernprozess und ermöglichen es Ihnen, die verschiedenen Lernszenarien kennenzulernen und einzuüben. Am Ende des Seminars sind Sie in der Lage, Daten zielsicher zu extrahieren, Algorithmen anzulernen und zur Klassifizierung oder Prognose einzusetzen. 

Indoor Cycling Instructor

Sie lernen die Grundlagen und die praktische Anwendung der gängigsten Lernalgorithmen aus der Scikit-Learn Bibliothek. Sie bekommen ein Gespür für den Wert Ihrer Daten und dafür, wie Sie diese Daten in Ihrem Geschäftsfeld einsetzen können, um Automatisierungsprozesse voranzutreiben. Sie verstehen die verschiedenen Lernalgorithmen in Theorie und Praxis (lineare und logistische Regression, Support Vector Machine, Decision Tree, Naive Bayes) und üben die Anwendung anhand praktischer Beispiele ein. Die Konzepte werden anhand von Folien anschaulich erklärt, an Beispielen verdeutlicht und gemeinsam in Python umgesetzt. Passgenaue Aufgabenstellungen ergänzen den Lernprozess und ermöglichen es Ihnen, die verschiedenen Lernszenarien kennenzulernen und einzuüben. Am Ende des Seminars sind Sie in der Lage, Daten zielsicher zu extrahieren, Algorithmen anzulernen und zur Klassifizierung oder Prognose einzusetzen. 

Sie beherrschen nach dem Seminar den vollständigen Workflow moderner Python-Projektorganisation - von der Wahl der Projektstruktur über die Verwaltung von Abhängigkeiten bis hin zur Veröffentlichung auf PyPI. Sie vergleichen Werkzeuge wie pip-tools, poetry und uv und setzen diese situationsgerecht ein. Darüber hinaus lernen Sie, wie Sie Lockfiles erstellen, Systemabhängigkeiten handhaben, Python-Pakete testen und automatisiert veröffentlichen - sowohl intern als auch öffentlich. Ihre Projekte werden damit wartbar, reproduzierbar und teamfähig.

Sie beherrschen nach dem Seminar den vollständigen Workflow moderner Python-Projektorganisation - von der Wahl der Projektstruktur über die Verwaltung von Abhängigkeiten bis hin zur Veröffentlichung auf PyPI. Sie vergleichen Werkzeuge wie pip-tools, poetry und uv und setzen diese situationsgerecht ein. Darüber hinaus lernen Sie, wie Sie Lockfiles erstellen, Systemabhängigkeiten handhaben, Python-Pakete testen und automatisiert veröffentlichen - sowohl intern als auch öffentlich. Ihre Projekte werden damit wartbar, reproduzierbar und teamfähig.

Am Ende des Seminars sind die Teilnehmenden in der Lage, Robot Framework effektiv zu nutzen, um leistungsstarke, skalierbare und zuverlässige Testautomatisierungen zu entwickeln und bereitzustellen. Sie lernen, wie sie Projekte planen, entwickeln, integrieren und testen, um verschiedene Anforderungen abzudecken und die Softwarequalität zu optimieren

Die fortschreitende Digitalisierung führt in der tribologischen Forschung und Entwicklung zu immer größeren Datenmengen. Moderne Produktionsanlagen nutzen integrierte Sensoren zur Zustandsüberwachung, während Forschungslabore große digitale Datenmengen generieren.

Trotz der Beliebtheit von KI-Tools wie ChatGPT wird oft übersehen, dass ein tiefes Verständnis der Daten für deren effektiven Einsatz notwendig ist.

In diesem Seminar konzentrieren wir uns auf die Analyse und Visualisierung von tribologischen Messdaten, etwa Zeitreihen von Sensoren, mittels Data Science Methoden. Wir zeigen, wie man aus diesen Datenmengen Mehrwert schafft und diskutieren Grenzen sowie Anwendungsmöglichkeiten von KI-Methoden in diesem Bereich, unterstützt durch Beispiele aus der tribologischen Forschung.

Sie lernen, wie Sie Messdaten aus dem Umfeld tribologischer Systeme, z.B. Zeitreihen von Kraft- oder Vibrationssensoren, mit Hilfe moderner Data Science Werkzeuge analysieren und visualisieren können. Sie erhalten einen Überblick über gängige Softwaresysteme, die in der Data Science Community eingesetzt werden und lernen, wie Sie mit Hilfe der Softwareumgebung "Python" Datenanalyseaufgaben durchführen können. Außerdem erhalten Sie einen Erfahrungsbericht über Einsatzmöglichkeiten und Grenzen der künstlichen Intelligenz aus dem Blickwinkel der tribologischen Forschung.

HINWEIS

Dieses Seminar ist Bestandteil des Zertifikatslehrgangs "Tribologie Expert...