Python für Machine Learning und Data Science

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.

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.

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

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