Die Schulung Python für Data Science, Maschinelles Lernen & Visualisierung vermittelt umfassende Kenntnisse zur Analyse, Verarbeitung und Visualisierung von Daten sowie zur Entwicklung intelligenter Anwendungen mit Python. In diesem fünftägigen Training lernen die Teilnehmenden, wie Python und moderne Data-Science-Bibliotheken für datengetriebene Analysen und Machine-Learning-Projekte eingesetzt werden können.
Im Mittelpunkt stehen die grundlegenden Konzepte der Python-Programmierung, die Arbeit mit Entwicklungsumgebungen sowie die Verarbeitung strukturierter Daten. Die Schulung erläutert den Einsatz von NumPy und Pandas zur Datenaufbereitung und Datenanalyse.
Ein weiterer Schwerpunkt liegt auf der professionellen Datenvisualisierung. Die Teilnehmenden erfahren, wie mit Matplotlib und Seaborn aussagekräftige Diagramme erstellt und mit Plotly interaktive Visualisierungen umgesetzt werden können.
Das Training behandelt außerdem verschiedene Verfahren des maschinellen Lernens mit Scikit-learn. Dazu gehören lineare und logistische Regression, Entscheidungsbäume, Random Forests, Clustering-Verfahren und Support Vector Machines.
Weitere Schwerpunkte bilden Natural Language Processing sowie die Einführung in Deep Learning und künstliche neuronale Netzwerke. Die Teilnehmenden lernen, wie TensorFlow und Keras zur Entwicklung einfacher neuronaler Netze verwendet werden können.
Abgerundet wird die Schulung durch einen Überblick über Big-Data-Technologien mit Apache Spark, PySpark und Hadoop sowie die Integration von SQL-Datenbanken und die Verarbeitung externer Datenquellen.
Das Training richtet sich sowohl an Einsteiger als auch an Entwickler, die ihre Kenntnisse in Data Science und Machine Learning erweitern möchten.
Dauer
5
Tage
Teilnahmegebühren
2.975,00
€
(3.540,25 € inkl. 19 % MwSt.)
Inhalt
Python-Programmierung Grundlagen
Einführung in Python
Visual Studio Code verwenden
Python-Entwicklungsumgebung einrichten
Datentypen
Operatoren
Kontrollstrukturen
Schleifen
Funktionen
Klassen und Module
Python Entwicklungsumgebungen
Anaconda kennenlernen
Jupyter Notebooks einsetzen
Interaktive Programmierung
Python-Projekte organisieren
Data-Science-Workflows entwickeln
Datenverarbeitung mit NumPy
Einführung in NumPy
Numerische Datenverarbeitung
Arrays verwenden
Datenstrukturen bearbeiten
Mathematische Operationen
Daten für Analysen vorbereiten
Datenanalyse mit Pandas
Einführung in Pandas
DataFrames erstellen und bearbeiten
Daten filtern
Daten transformieren
Komplexe Analyseaufgaben lösen
Datenbestände auswerten
Excel und externe Datenquellen
Excel-Dateien mit Pandas verarbeiten
Excel-Daten importieren
Daten exportieren
Daten aus externen Quellen integrieren
Datenbereinigung und Transformation
Web Scraping und SQL
Einführung in Web Scraping
Daten aus Webseiten extrahieren
Python mit SQL-Datenbanken verbinden
Datenbankdaten abrufen
Externe Informationen analysieren
Datenvisualisierung mit Matplotlib
Grundlagen der Datenvisualisierung
Matplotlib verwenden
Diagramme erstellen
Analytische Ergebnisse darstellen
Visualisierungen anpassen
Datenvisualisierung mit Seaborn
Einführung in Seaborn
Statistische Visualisierungen
Verteilungen darstellen
Zusammenhänge visualisieren
Datenmuster erkennen
Interaktive Visualisierung mit Plotly
Plotly kennenlernen
Interaktive Diagramme entwickeln
Daten grafisch untersuchen
Interaktive Visualisierungstechniken
Ergebnisse präsentieren
Machine Learning mit Scikit-learn
Grundlagen des maschinellen Lernens
Einführung in Scikit-learn
Machine-Learning-Workflows
Daten für Modelle vorbereiten
Supervised und Unsupervised Learning
Machine-Learning-Modelle anwenden
Regressionsverfahren
Lineare Regression
Logistische Regression
Regressionsmodelle entwickeln
Datenbasierte Vorhersagen
Ergebnisse interpretieren
Klassifikation und Clustering
K-Nearest Neighbors
K-Means Clustering
Decision Trees
Random Forests
Support Vector Machines
Klassifikationsverfahren
Clusteranalyse
Natural Language Processing
Einführung in Natural Language Processing
Grundlagen der Textanalyse
Verarbeitung natürlicher Sprache
Einsatz von NLP im Machine Learning
Textbasierte Analyseanwendungen
Deep Learning
Einführung in Deep Learning
Künstliche neuronale Netzwerke
Grundlagen von Artificial Neural Networks
TensorFlow kennenlernen
Keras verwenden
Einfache neuronale Netze entwickeln
Neuronale Netzwerke auf praktische Aufgaben anwenden
Big Data mit Python
Grundlagen von Big Data
Apache Spark
PySpark
Hadoop
Datenverarbeitung mit Big-Data-Technologien
Einsatzmöglichkeiten verteilter Datenverarbeitung
Voraussetzungen
Vorausgesetzt werden keine umfangreichen Python-Kenntnisse.
Grundlegende Kenntnisse einer Programmiersprache sind jedoch von Vorteil.
Ein Verständnis mathematischer und statistischer Grundlagen erleichtert den Einstieg in Machine Learning und Deep Learning.
Ziel ist es, grundlegende Python-Programme zu entwickeln und Daten mit geeigneten Bibliotheken effizient zu verarbeiten.
Nach Abschluss können die Teilnehmenden Daten mit NumPy und Pandas aufbereiten, analysieren und mit Matplotlib, Seaborn oder Plotly visualisieren.
Darüber hinaus lernen sie, verschiedene Machine-Learning-Verfahren mit Scikit-learn anzuwenden und einfache Modelle zur Klassifikation, Regression und Clusteranalyse zu entwickeln.
Ein weiterer Schwerpunkt liegt auf der Einführung in neuronale Netzwerke mit TensorFlow und Keras sowie dem Verständnis grundlegender Big-Data-Technologien.
Zielgruppe
Python-Einsteiger
Softwareentwickler
Data Analysts
Data Scientists
Machine Learning Engineers
Studierende der Informatik
Studierende der Mathematik
Business Intelligence Specialists
Datenanalysten
IT Professionals
Entwickler datengetriebener Anwendungen
Fachkräfte für Datenvisualisierung
Personen mit Interesse an Data Science und Deep Learning
Der Kurs richtet sich an Personen, die moderne Data-Science-Technologien kennenlernen und Python für Datenanalyse, Machine Learning und Visualisierung einsetzen möchten.
Kursnummer
KP-611