Beschreibung
Data Science Business Akademie: Python - Praxis mit Zertifizierung
Die Practitioner Praxiswoche ist Teil des dreistufigen Zertifizierungspfades der "Data Science Business Akademie" :-> Certified Data Science Explorer -> Certified Data Science Practitioner -> Certified Data Science Expert
Am Ende des Seminars haben Sie die Möglichkeit, die Prüfung (60 minütige Abschlussprüfung im Multiple-Choice-Format) für die 1. Zertifizierungsstufe "Certified Data Science Practitioner" abzulegen.
Bei Bestehen der Prüfung erhalten Sie ein Zertifikat, das Sie als "Certified Data Science Practitioner" ausweist. Ausgestellt wird es von der Knowledge Foundation @ Reutlingen University. So haben Sie einen handfesten Qualifizierungsnachweis in der Hand.
Weitere Infos zum Zertifizierungspfad gibt's direkt auf unserer Data Science Business Akademie-Website:
=> https://www.datascience-business-akademie.de
Das datengetriebene Unternehmen und Industrie 4.0 sind die aktuellen Herausforderungen für die Digitalisierung der Wirtschaft. Hinter diesen Schlagworten steht Data Science als gemeinsamer methodischer Ansatz zur Auswertung und Interpretation von Daten. Data Scientists werden in Zukunft in jedem Unternehmen eine zentrale Rolle für die Wertschöpfung spielen.
Python ist eine der weitverbreitetsten Programmiersprachen, welche im Data Science Bereich etabliert ist. Neben R ist sie aktuell die am häufigsten benutzte Data Science Programmiersprache.
Sie erhalten einen Einstieg, um mit Python Daten zu analysieren und Machine Learning Algorithmen umsetzen zu können.
Kommende Starttermine
Wählen Sie aus 10 verfügbaren Startterminen
Inhalte / Module
- Datenstrukturen in Python
- Unterschied Funktionen vs. Methoden
- Datenstrukturen in Python (number, tuple, list, dictionary, string)
- Überblick und wichtige Methoden zu den Datenstrukturen
- Unterschied list vs. tuple
- Die Besonderheit des Wertes NaN
- Wann benutze ich welche Klammer [], (), {}?
- Eine Sequenz von Zahlen erzeugen
- List comprehension
- Einführung in das Data Science Paket pandas
- Elemente eines pandas data.frame
- Eine Zeile ansprechen, hinzufügen und verändern
- Eine Spalte ansprechen, hinzufügen und verändern
- Boolean indexing
- Ein leeres data.frame erstellen
- Überblick über Methoden im data.frame, um einen Überblick der Daten zu erhalten.
- Grundlegende Statistiken mit pandas
- Überblick über Statistiken, die ich mit einem data.frame berechnen kann (Anzahl an gültigen Beobachtungen, Summe, Mittelwert, Median, Minimum, Maximum, Varianz,...)
- Eine Kreuztabelle (Kontingenztafel) berechnen
- Fehlende Werte ergänzen
- Variablen standardisieren
- Logische Operatoren
- Daten einlesen
- Das Arbeitsverzeichnis in Python setzen
- Ein CSV einlesen und schreiben und Überblick über die nützlichsten Parameter hierfür
- Eine Excel Datei einlesen und schreiben und Überblick über die nützlichsten Parameter hierfür
- Python's pickle modul zum Speichern von Python Objekten
- Verschiedene Datentypen konvertieren (integer, unsigned integer, float, string)
- Data handling mit Pandas
- Löschen einer Zeile und Spalte
- Überblick über Methoden, ein data.frame anzupassen (Spaltennamen ändern, Werte ersetzen, ein data.frame sortieren, ein data.frame nach einer kategorischen Variable gruppieren, randomisiert Zeilen aus einem data.frame auswählen)
- Pivotieren eines data.frame: Umwandeln zwischen long und wide Format (gestapelt und ungestapelte Daten)
- Visualisierung mit matplotlib und pandas
- Die Hauptelemente beim Plotten mit matplotlib
- Einen Plot anpassen (x- und y-Achse ändern, Beschriftungen, Legende und Titel ändern) und speichern
- Auswahl von Farben
- Subplots erstellen
- Erstellen von Scatterplot, Linienplot, Barplot, (gruppiertes) Histogram, Boxplot
- Control Flows
- Die range() Funktion
- Eine eigene Funktion schreiben
- Default Parameter in einer Funktion setzen
- For Schleifen
- If-Else Bedingungen
- While Schleife
- Logische Vergleichsoperatoren
- Zuweisungsoperatoren
- Algorithmen im Data Science (theoretischer Überblick)
- Big Data und die vier Vs von Big data
- Was ist Machine Learning
- Die Einteilung von Algorithmen im Machine Learning (supervised Learning - unsupervised learning - reinforcement learning)
- Einführung in wichtige Algorithmen: Lineare Regression, Logistische Regression, Entscheidungsbäume, Random Forest, Support Vector Machine (SVM), K-means, Kerndichteschätzer
- Overfitten und wie ich es entdecken und vermeiden kann
- Kreuzvalidierung, confusion matrix, ROC Kurve
- Algorithmen im Data Science (in der Praxis)
- Die Schritte beim Modellieren (Aufteilung der Daten in Test-Train, Model erstellen, Model validieren)
- Praktische Umsetzung der theoretisch behandelten Algorithmen mit dem Paket scikit-learn
- Trainieren und Validieren von Modellen
- Finaler use case zur Wiederholung des Gelernten
- Abgeschlossenes Projekt, in dem die wichtigsten Schritte wiederholt werden können vom Daten einlesen, Daten handling, über Visualisierung und Erstellen und Vergleich von Machine Learning Algorithmen
- Abgeschlossenes Projekt, in dem die wichtigsten Schritte wiederholt werden können vom Daten einlesen, Daten handling, über Visualisierung und Erstellen und Vergleich von Machine Learning Algorithmen
Zielgruppe / Voraussetzungen
Abschlussqualifikation / Zertifikat
Infos anfordern
GFU Cyrus AG
Erweitern Sie Ihre IT-Skills mit einem offenen IT-Training oder ganz nach Ihren Bedürfnissen durch eine individuelle IT-Schulung. Programmiersprachen (C#, Python, Java, …), Microsoft Office 365, Anforderungsmanagement, Projektmanagement, Business Intelligence, Data Science, Künstliche Intelligenz, IT-Sicherheit , Administration & Datenbanken, Softwareentwicklung, Testmanagement...
Erfahren Sie mehr über GFU Cyrus AG und weitere Kurse des Anbieters.
Anzeige