Python für Machine Learning und Data Science

Course content

In der datengetriebenen Welt sind Python-Kenntnisse für Machine Learning und Data Science gefragter denn je. Dieser Kurs vermittelt Ihnen die entscheidenden Fähigkeiten, um große Datenmengen zu analysieren, intelligente Modelle zu entwickeln und wertvolle Erkenntnisse zu gewinnen – ein klarer Wettbewerbsvorteil für Ihre Karriere.

Egal, ob Sie neu in der Materie bist oder Ihre bestehenden Kenntnisse vertiefen möchten: Dieser Kurs bietet einen strukturierten und praxisnahen Lernpfad. Sie werden von den Grundlagen bis zu fortgeschrittenen Techniken geführt und lernen, Python-Bibliotheken wie NumPy, Pandas und Scikit-learn effektiv einzusetzen.

Kursvorstellung

Unser umfassender Kurs vermittelt Ihnen in sechs aufeinander aufbauenden Modulen die Fähigkeiten, die Sie benötigen, um datengestützte Entscheidungen zu treffen und innovative Lösungen zu entwickeln. Von den Grundlagen der Programmierung in Python über die explorative Datenanalyse mit Pandas und NumPy bis hin zu fortgeschrittenen Techniken wie Regressions- und Klassifikationsmodellen mit Scikit-learn – wir statten Sie mit dem Rüstzeug aus, um in der datengetriebenen Zukunft erfolgreich zu sein.

Tauchen Sie in spannende Themen wie Clustering, Dimensionsreduktion und die Erstellung interaktiver Web-Dashboards mit Streamlit, Dash und Plotly. Im abschließenden Modul erwarten Sie moderne Technologien wie Robotic Process Automation (RPA) und die Entwicklung eigener Projekte im Rahmen unseres "Vibe-Coding"-Ansatzes. Ein besonderes Highlight bildet die Einführung in Empfehlungssysteme, bei der Sie lernen, wie Algorithmen personalisierte Vorschläge auf Basis von Nutzerdaten generieren. Machen Sie sich bereit, Ihre analytischen Fähigkeiten zu entfesseln und die Möglichkeiten der Datenwissenschaft voll auszuschöpfen – melden Sie sich jetzt an!

Kursinhalte

Python-Auffrischung, Pandas, NumPy, Explorative Datenanalyse (EDA)
- Python-Grundlagen
- NumPy-Datenverarbeitung
- Pandas-Datenstrukturen
- Datenmanipulation
- Explorative Datenanalyse (EDA)
- Erste Datenvisualisierung
- Daten laden und erkunden
- Vorbereitung Matrixfaktorisierung
- Vergleich Excel und Python
- Pandas Profiling
- Deskriptive Statistik
- Mustererkennung
Regressions- und Klassifizierungsmodelle
- Überwachtes Lernen
- Lineare Regression
- Polynomiale Regression
- Modellbewertung (Regression)
- Klassifikationsmodelle
- Scikit-learn Grundlagen
- Umsatzprognose
- Kaufwahrscheinlichkeit
- Modelltraining
- Modellevalluation
- Vertriebsdatenanalyse
- Multidimensionale Vorhersage
Clustering, Dimensionsreduktion
- Unüberwachtes Lernen
- K-Means Clustering
- Hierarchisches Clustering
- DBSCAN
- Dimensionsreduktion (PCA)
- Pipeline-Erstellung
- Daten gruppieren
- Dimensionalität reduzieren
- Ergebnisse interpretieren
- Methodenauswahl
- Hochdimensionale Daten darstellen
- Vektorrepräsentationen
Datenvisualisierung, Web-Dashboards
- Visualisierungs-Frameworks (Streamlit, Dash, Plotly)
- Interaktive Dashboards erstellen
- Benutzerfreundlichkeit (UI/UX)
- Storytelling mit Daten
- Aussagekräftige Visualisierungen
- Daten effektiv kommunizieren
- Visualisierungstypen verstehen
- Ergebnisse von Visualisierungen interpretieren
- Web-Dashboard Entwicklung
- Framework-Kennenlernen
- Fokus Benutzerfreundlichkeit
- Visuelle Aufbereitung
Moderne Technologien und Projektarbeit (RPA)
- Moderne ML/DS Technologien verstehen
- Zukunftstrends analysieren
- Kreative Projektumsetzung (Vibe-Coding)
- Eigene Projekte entwickeln
- Projektarbeit anwenden
- Ergebnisse professionell präsentieren
- Robotic Process Automation (RPA) mit Guiautomate
- Bildschirmsteuerung mit Computer Vision (CV)
- Automatisierte Prozesse entwickeln
- Kreative Problemlösung
- Teamarbeit in Data Science
- Experimentelles Umfeld
Empfehlungssysteme (Recommender)
- Grundlagen von Empfehlungssystemen
- Collaborative Filtering
- Matrixfaktorisierung (SVD)
- Item-Item Similarity Modelle
- User-User Similarity Modelle
- Anwendung auf reale Daten (Kaufverhalten)
- Anwendung auf Nutzerinteraktionen
- Empfehlungstechniken
- Ähnlichkeitsberechnung
- Nutzerbasiert vs. Item-basiert
- Daten des Kaufverhaltens
- Daten von Nutzerinteraktionen

Das ist inklusive

40 Unterrichtseinheiten mit hochwertigem Inhalt
alle Code-Skripte
sämtliche Präsentationen
Gutscheine für meine KI-Kurse (u.a. PyTorch Ultimate) mit mehr als 30h Videomaterial
Teilnahmezertifikat

Kurszeiten und -durchführung

Der Kurs findet von Montag bis Freitag zwischen 9 und 17 Uhr statt. Insgesamt umfasst der Kurs 40 Unterrichtseinheiten a 45 min, somit 30 Zeitstunden.

9:00 - 10:30 Erster Modul-Block
10:30 - 11:00 Kaffeepause
11:00 - 12:30 Zweiter Modul-Block
12:30 - 13:30 Mittagspause
13:30 - 15:00 Dritter Modul-Block
15:00 - 15:30 Kaffeepause
15:30 - 17:00 Vierter Modul-Block

Als Kommunikationsplattform wird Microsoft Teams eingesetzt. Der Einwahllink wird rechtzeitig vor Veranstaltungsbeginn bereitgestellt. Die technischen Voraussetzungen können vor dem Kurs geprüft werden.

Voraussetzungen

Laptop mit Internetverbindung, Kamera und Mikrofon
hohe Motivation und Lernbereitschaft :-)
grundlegende Programmierkenntnisse mit Python. Im Folgenden eine kurze Auflistung, was ich als erforderlich einschätze:
- Welche Datentypen gibt es? Wie arbeitet man mit Ihnen?
- Was sind Listen, Dictionaries?
- Wie funktionieren Schleifen, vor allem die for-Schleife?
- Wie schreibt man eigene Funktionen? Wie übergibt man Parameter?
- Hilfreich (aber nicht unbedingt erforderlich) wäre es zu wissen was Klassen sind