Python lernen: Kurse und Seminare auf der Plattform seminarmarkt.de!

Der 5-tägige Intensivkurs Data Analysis und Machine Learning in R vermittelt in einzeln buchbaren Modulen Grundkenntnisse in R (Modul 1), praktisches Wissen zur deskriptiven Datenanalyse, der statisischen Inferenz und Modellierung in R (Modul 2), sowie Kenntnisse im supervised machine learning (Modul 3). Für die Anwendungsbeispiele und praktische Übungsaufgaben kommt die statistische Software R zum Einsatz.

Ziel: Vermittlung von theoretischen Kenntnissen im Bereich der Datenanalyse, Statistik und Machine Learning sowie technische und praktische Grundlagen in R. Dies soll es den Teilnehmern erleichtern, in ihrem Arbeitsalltag eigene Datenanalysen durchzuführen und Vorhersagemodelle anzupassen und zu verbessern. Zudem werden in den einzelnen Themenblöcken hilfreiche Zusatzpakete in R empfohlen, deren Nutzung oft unnötige Programmierarbeit, zusätzliche Recherchen und Anfängerfehler ersparen können.

In der Schulung Machine Learning - Sprachverarbeitung mit Transformern und Hugging Face lernen Sie, wie man die neuesten NLP-Technologien (Natural Language Processing) effizient nutzt. Sie erhalten einen Überblick über die grundlegenden Konzepte der maschinellen Sprachverarbeitung und werden in die Transformer Architecturen und die Verwendung von Hugging Face für maschinelles Lernen eingeführt.

Nach der Teilnahme an diesem Kurs sollten Sie in der Lage sein:

die Rolle der Netzautomatisierung und der Programmierbarkeit im Kontext des End-to-End-Netzmanagements und -betriebs zu erläutern

Definition und Unterscheidung zwischen Wasserfall- und agilen Softwareentwicklungsmethoden

Interpretation und Fehlerbehebung von Python-Skripten mit grundlegenden Programmierkonstrukten, die für Anwendungsfälle der Netzwerkautomatisierung entwickelt wurden

Beschreiben Sie, wie DevOps-Prinzipien, -Tools und -Pipelines auf den Netzwerkbetrieb angewendet werden können.

die Rolle von Entwicklungsumgebungen für die Netzwerkautomatisierung und damit verbundene Technologien wie virtuelle Python-Umgebungen, Vagrant und Docker zu verstehen

Verstehen und Erstellen von HTTP-basierten API-Aufrufen (Application Programming Interface) zu Netzwerkgeräten

die Unterschiede zwischen XML, JSON, YAML und Protokollpuffer (protobuf) und deren gemeinsame Anwendungsfälle zu erläutern

Erstellung und Interpretation von Python-Skripten mit dem Python-Requests-Modul zur Automatisierung von Geräten mit HTTP-basierten APIs

Verstehen der Rolle von YANG in der Netzwerkautomatisierung

Verstehen, dass es mehrere Tools gibt, die die Arbeit mit YANG-Modellen vereinfachen

Beschreiben Sie die Funktionalität von RESTCONF und NETCONF und die Unterschiede zwischen ihnen

Erstellen von Ansible-Playbooks zur Konfiguration ...

Der 5-tägige  Machine Learning Bootcamp in R vermittelt in einzeln buchbaren Modulen Kenntnisse im überwachten maschinellen Lernen (engl. supervised machine learning) in Modul 1 und im unüberwachten maschinellen Lernen (engl. unsupervised machine learning) in Modul 2, sowie praktisches Wissen zum interpretierbaren maschinellen Lernen in Modul 3. Für die Anwendungsbeispiele und praktische Übungsaufgaben kommt die statistische Software R zum Einsatz.

Ziel: Vermittlung von Kenntnissen zur Anpassung und Verbesserung von Vorhersagemodellen, zum Auffinden von Strukturen in den Daten und zur Interpretation von Algorithmen und Methoden aus dem Bereich des maschinellen Lernen mit praktischen Beispielen in R. Dies soll es den Teilnehmern erleichtern, in ihrem Arbeitsalltag eigene Vorhersagemodelle zu optimieren und Projekte zielgerichtet bearbeiten zu können, ohne sich tagelang selber in bestimmte Themen einarbeiten zu müssen. Zudem werden in den einzelnen Themenblöcken hilfreiche Zusatzpakete in R empfohlen, deren Nutzung oft unnötige Programmierarbeit, zusätzliche Recherchen und Anfängerfehler ersparen können.

Overview

This course covers fundemental and advanced SQL techniques for efficient data management, optimization, and analytics in Db2 12. Participants will learn how to navigate the Db2 system catalog and explore query performance optimization techniques, including indexing strategies, predicate pushdown, and query access plans to improve efficiency.

The course also introduces advanced SQL functions, such as LISTAGG, PERCENTILE_CONT, and PERCENTILE_DISC. Participants will learn how to create and manage database objects and gain expertise in utilizing advanced join techniques such as inner and outer joins, hash joins, lateral joins, and set operators like UNION, INTERSECT, and EXCEPT to merge and analyze data from multiple tables.

The course also covers the use of subqueries and query optimization techniques, including correlated subqueries, EXISTS/NOT EXISTS, and quantified predicates to enhance data retrieval efficiency. 

Through hands-on exercises and real-world scenarios, they will develop the skills necessary to handle large datasets efficiently and implement best practices for high-performance database management.

Das Seminar Grundlagen von R für Anfänger bietet Teilnehmern einen umfassenden Einstieg in die Verwendung von R und R-Studio. Es beginnt mit einem kurzen Einblick in R und R-Studio. Anschließend wird den Teilnehmern die Bedienung von R und R-Studio nähergebracht, einschließlich der Verwendung des Editors, der Konsole und der Hilfefunktionen.
Die Teilnehmer lernen, wie sie Pakete in R installieren und einbinden können, sowie wie man Variablen zuordnet und Skripte erstellt und ausführt. Dabei werden sie mit den Hauptdatenstrukturen von R, wie Vektoren, Faktoren und Arrays, vertraut gemacht. Sie erfahren, wie sie Elemente aus diesen Datenstrukturen extrahieren, Daten mit grundlegenden Funktionen aufbereiten und Daten in verschiedene Datenstrukturen umwandeln können.
Im weiteren Verlauf des Seminars erhalten die Teilnehmer eine Einführung in das dplyr-Paket, einen Bestandteil des tidyverse. Sie lernen, wie sie mit einem Tibble arbeiten können, einer Fortentwicklung des data.frames, und wie sie die ersten dplyr-Funktionen zur Spaltenauswahl anwenden können, einschließlich select(), filter(), rename() und slice(). Sie werden auch den Einsatz logischer Operatoren kennenlernen.
In der Folge werden die Teilnehmer in die Datenmodifikation mit dplyr eingeführt. Sie lernen, wie man Zeilen mit der Funktion arrange() sortiert, neue Spalten mit mutate() berechnet und statistische Zusammenfassungen mit summarise() erstellt. Die Verwendung des Pipe Operators %>%, der Grupp...

In diesem Kurs werden Ihnen grundlegende Kenntnisse über die Programmiersprache R vermittelt, die in den Bereichen Statistik, Data Science und Machine Learning weit verbreitet ist. Sie werden RStudio als Entwicklungsumgebung kennenlernen, die am häufigsten für R verwendet wird. Nach Abschluss des Kurses werden Sie in der Lage sein, Daten aus verschiedenen Formaten einzulesen, Daten mit ggplot2 zu visualisieren und Daten mit dplyr aus tidyverse zu bereinigen (z.B. fehlende Werte ersetzen, Zeilen und Spalten anpassen, neue Spalten erstellen).

Sie werden in der Lage sein, eigene einfache Funktionen zu schreiben und Control Flows (z.B. For-Schleifen, If-Else-Anweisungen) in R umzusetzen. Sie werden das Grundkonzept von tidyverse/dplyr verstehen und in der Lage sein, Data Wrangling und Data Cleaning durchzuführen.

Der Kurs wird Ihnen die verschiedenen Arten des Machine Learning (überwacht, unüberwacht und verstärkt) vorstellen. Sie werden in der Lage sein, Algorithmen in R eigenständig zu trainieren, zu validieren, einen Train-Test Split durchzuführen und Gütekriterien zur Bewertung von Algorithmen zu berechnen und zu interpretieren. Sie werden bekannte Machine Learning Algorithmen wie lineare Regression, logistische Regression, Entscheidungsbaum, Random Forest und k-means Clustering verstehen und in R implementieren können.

Nach Abschluss des Kurses werden Sie in der Lage sein, R eigenständig für Machine Learning und Data Science zu verwenden und ...