Data Science Business Akademie: Python - Praxis mit Zertifizierung

Dauer
Ausführung
Vor Ort, Online
Startdatum und Ort

Data Science Business Akademie: Python - Praxis mit Zertifizierung

GFU Cyrus AG
Logo von GFU Cyrus AG
Bewertung: starstarstarstar_halfstar_border 7,3 Bildungsangebote von GFU Cyrus AG haben eine durchschnittliche Bewertung von 7,3 (aus 10 Bewertungen)

Tipp: Haben Sie Fragen? Für weitere Details einfach auf "Kostenlose Informationen" klicken.

Startdaten und Startorte

placeKöln
16. Sep 2024 bis 20. Sep 2024
computer Online: Zoom
16. Sep 2024 bis 20. Sep 2024
placeKöln
16. Dez 2024 bis 20. Dez 2024
computer Online: Zoom
16. Dez 2024 bis 20. Dez 2024
placeKöln
10. Mär 2025 bis 14. Mär 2025
computer Online: Zoom
10. Mär 2025 bis 14. Mär 2025
placeKöln
23. Jun 2025 bis 27. Jun 2025
computer Online: Zoom
23. Jun 2025 bis 27. Jun 2025

Beschreibung

Schulungen der Extraklasse ✔ Durchführungsgarantie ✔ Trainer aus der Praxis ✔ Kostenfreies Storno ✔ 3=2 Kostenfreie Teilnahme für den Dritten ✔ Persönliche Lernumgebung ✔ Kleine Lerngruppen

Seminarziel

Sie können grundlegende Schritte mit Python im Bereich Data Science anwenden, so dass ein selbstständiges Arbeiten möglich ist. Wege, um weitergehende Algorithmen und Methoden in Python zu finden, sind bekannt, um das Wissen auch nach dem Seminar weiter ausbauen zu können. Sie  haben einen Überblick über verwendete Algorithmen im Machine Learning und können diese voneinander differenzieren und in Python anwenden. Sie arbeiten überwiegend selbstständig mit Unterstützung des Trainers, um das Erlernte direkt umzusetzen und anzuwenden. Anhand eines durchgehenden Datenbeispiels werden die wichtigsten Bibliotheken besprochen und in umfangreichen Übungen trainiert. 

Inhalt

  • Datenstrukt…

Gesamte Beschreibung lesen

Frequently asked questions

Es wurden noch keine FAQ hinterlegt. Falls Sie Fragen haben oder Unterstützung benötigen, kontaktieren Sie unseren Kundenservice. Wir helfen gerne weiter!

Noch nicht den perfekten Kurs gefunden? Verwandte Themen: Data Science Python, Data Science, Python, Big Data und Data Analytics.

Schulungen der Extraklasse ✔ Durchführungsgarantie ✔ Trainer aus der Praxis ✔ Kostenfreies Storno ✔ 3=2 Kostenfreie Teilnahme für den Dritten ✔ Persönliche Lernumgebung ✔ Kleine Lerngruppen

Seminarziel

Sie können grundlegende Schritte mit Python im Bereich Data Science anwenden, so dass ein selbstständiges Arbeiten möglich ist. Wege, um weitergehende Algorithmen und Methoden in Python zu finden, sind bekannt, um das Wissen auch nach dem Seminar weiter ausbauen zu können. Sie  haben einen Überblick über verwendete Algorithmen im Machine Learning und können diese voneinander differenzieren und in Python anwenden. Sie arbeiten überwiegend selbstständig mit Unterstützung des Trainers, um das Erlernte direkt umzusetzen und anzuwenden. Anhand eines durchgehenden Datenbeispiels werden die wichtigsten Bibliotheken besprochen und in umfangreichen Übungen trainiert. 

Inhalt

  • 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

Werden Sie über neue Bewertungen benachrichtigt

Es wurden noch keine Bewertungen geschrieben.

Schreiben Sie eine Bewertung

Haben Sie Erfahrung mit diesem Kurs? Schreiben Sie jetzt eine Bewertung und helfen Sie Anderen dabei die richtige Weiterbildung zu wählen. Als Dankeschön spenden wir € 1,00 an Stiftung Edukans.

Es wurden noch keine FAQ hinterlegt. Falls Sie Fragen haben oder Unterstützung benötigen, kontaktieren Sie unseren Kundenservice. Wir helfen gerne weiter!

Bitte füllen Sie das Formular so vollständig wie möglich aus

(optional)
(optional)
(optional)
(optional)
(optional)
(optional)
(optional)

Haben Sie noch Fragen?

(optional)

Anmeldung für Newsletter

Damit Ihnen per E-Mail oder Telefon weitergeholfen werden kann, speichern wir Ihre Daten.
Mehr Informationen dazu finden Sie in unseren Datenschutzbestimmungen.