Data Science und Künstliche Intelligenz mit Python

Der Kurs Künstliche Intelligenz mit Python ist der erste Teilkurs des Trainings Data Science Crash Course mit Python. Der einführende Teilkurs gibt einen Überblick über die aktuellen Data Science Methoden der Künstlichen Intelligenz mit zahlreichen Praxisbeispielen aus Prozessindustrie, Predictive Maintenance oder dem Natural Language Processing (NLP), das die Grundlage von Chatbots darstellt. Ein besonderer Fokus wird zudem auf das Maschinelle Lernen gelegt, das ein wichtiges Handwerkszeug eines jeden Data Scientists ist. Dabei steht der Hands-on-Character im Fokus.

Zuerst gibt es eine intensive Einführung in die Programmiersprache Python, woraufhin an einem Praxis-Beispiel der gesamte Data-Science-Prozess inkl. Datenzugriff, Visualisierung, Aufbereitung der Daten, Feature Engineering, Validierung und Evaluation umgesetzt wird. Dabei programmieren Sie eigenhändig den Machine Learning Algorithmus Learning Vector Quantization (LVQ), der Ähnlichkeiten zu Neuronalen Netzen besitzt. Insgesamt erhalten Sie dadurch einen intensiven Einblick, wie Data Science und Künstliche Intelligenz in der Praxis angewendet werden.

Dauer

• 2 Tage mit 16 Stunden Unterricht (täglich 8 Stunden, 9-17 Uhr)
• Aufteilung Theorie/Praxis: 40 % Theorie + 60 % Praxis mit Übungen

Inhalte

• Überblick, Grundlagen und Praxisbeispiele
  • Künstliche Intelligenz
  • Data Science
  • Maschinelles Lernen
  • Herausforderungen bei der Umsetzung eines Data Science/KI Projekts
  • Praxisbeispiele zu den Themen: Natural Language Processing (NLP), Bilderkennung, Predictive Maintenance, Prozessindustrie, Logistik
• Intensivkurs Python
  • Einführung in Python: list, array, loops, functions, classes, plotting
  • Relevante Python-Bibliotheken: numpy, scikit-learn, pandas
  • Data Science mit Python: Statistiken, Korrelationen, Vorverarbeitung
  • Praxis-Übung: Datenzugriff, Datenexplorierung und Visualisierung
• Methoden des Maschinelles Lernen
  • Überwachtes Lernen/Supervised Learning
  • Unüberwachtes Lernen/Unsupervised Learning
  • Reinforcement Learning
  • Praxis-Übung: Selektion der richtigen Features
• Data-Science-Zyklus
  • Datenverständnis und Vorbereitung
  • Aufsetzen des Data-Science-Zyklus: Train-Test-Split, Pipelines, Kreuzvalidierung/Crossvalidaton, Hyperparameter-Optimierung
  • Implementierung eines Machine Learning Algorithmus (Learning Vector Quantization)
  • Evaluation des Algorithmus
  • Praxis-Übung: Clustering und Klassifikation

Ziele

Am Ende des Seminars Data Science und Künstliche Intelligenz mit Python werden Sie

• die aktuelle Berichterstattung zu Künstliche Intelligenz, Maschinellem Lernen, Reinforcement Learning und Data Science sowie deren Anwendungspotential in verschiedenen Bereichen wie Logistik, Predictive Maintenance oder Chatbots inhaltlich einordnen und bewerten können,
• vorhandene Daten mit Python und Methoden des Maschinellen Lernens für Ihren Bereich nutzbar machen können (unter Einsatz der Python-Pakete Scikit-Learn und Keras/Tensorflow),
• die Programmiersprache Python und den wissenschaftlichen Rechenstapel von Python zur Implementierung von Maschinellen Lernalgorithmen kennengelernt haben, um zu wissen, welche Daten für die erfolgreiche Umsetzung einer Fragestellung aus Ihrem Bereich (noch) notwendig sind,
• ein vollständigen Data-Science-Zyklus umgesetzt haben und damit wissen, was hierfür notwendig ist und welche Herausforderungen auf Sie zukommen werden.

Zielgruppe

• Beschäftigte aus operativen Bereichen, R&D und IT mit grundlegenden Programmierkenntnissen, welche die Potenziale von Data Science, Künstlicher Intelligenz und Maschinellem Lernen kennenlernen und hautnah erfahren möchten und
• Anwender, Studenten, Doktoranden und Forscher aus den mathematischen, statistischen, naturwissenschaftlichen, ingenieurwissenschaftlichen, informationstechnologischen, medizinischen, pharmazeutischen, betriebs-, wirtschafts-, markt- und sozialwissenschaftlichen Bereichen

Voraussetzungen

Für den Data Science Crash Course mit Python sind Grundverständnisse der Linearen Algebra (Vektoren, Matrizen) und ein Basiswissen in der Statistik (wie Korrelationen, Signifikanztests, lineare Regression) sehr empfehlenswert. Sie sollten Grundkenntnisse in einer Programmiersprache besitzen, am besten wäre eine Skriptsprache wie Python, R oder Matlab. Liegen keine Programmierkenntnisse vor, können Sie den dafür entwickelten Vorbereitungskurs Einführung in die Programmierung mit Python besuchen.

Hinweise zur Teilnahme

Teilnahme am Online-Seminar: Sie benötigen zur Teilnahme an unseren Online-Seminaren einen Computer mit Internetzugang (empfohlene Bandbreite 1-2 MBit/s). Sie erhalten nach der Anmeldung eine detaillierte Installationsanleitung für die erforderliche Statistik- und Videokonferenz-Software (die Teilnahme ist auch mit einem Browser möglich). Bei Bedarf können Sie einen Fernzugang zu einem Schulungscomputer mit der erforderlichen Software erhalten.

Teilnahme am Präsenz-Seminar: Bitte bringen Sie einen Laptop mit der erforderlichen Software mit (Sie erhalten im Vorfeld eine Installationsanleitung für die Python Anaconda Distribution).

Förderung

Bildungsurlaub, Weiterbildungsstipendium (kein Bildungsgutschein)