Einführung in Data Science mit Python für Anfänger

Grundlegende Konzepte in Python:

• Installation neuer Pakete
• Verwendung von JupyterLab und .ipynb als Entwicklungsumgebung (IDE)
• Unterschiede in Funktionen und Methoden
• Vergleich wichtiger Python-Aspekte mit anderen Programmiersprachen

Arbeiten mit dem pandas-Paket und DataFrames:

• Struktur eines DataFrames (Zeilen, Spalten)
• Auswahl von Zeilen und Spalten
• Erstellen, Löschen und Ändern von Zeilen und Spalten
• Verwendung von Boolean-Indexing zur Zeilenauswahl anhand logischer Abfragen
• Zusammenfassung von Daten für einen Überblick

Berechnung von Statistiken direkt in pandas DataFrames:

• Durchführung einfacher Statistiken direkt auf DataFrames (Durchschnitt, Minimum, Maximum, Summe, Median, Varianz usw.)
• Aggregation und Filterung von Daten
• Ersetzen von fehlenden Werten
• Erstellung von Kreuztabellen (Kontingenztabellen)

Datenverarbeitung: Einlesen und Schreiben von Daten:

• Festlegung des Arbeitsverzeichnisses in Python und der IDE Spyder
• Einlesen und Schreiben von CSV- und Excel-Dateien
• Datenimport von einer URL
• Übersicht über nützliche Parameter
• Lesen und Schreiben im Python-Format "pickle"
• Handhabung großer Datensätze

Kontrollstrukturen:

• Erstellung eigener Funktionen
• Festlegung von Standardparametern in Funktionen (Positional Arguments und Keyword Arguments)
• Anwendung von For-Schleifen
• Implementierung von If-Else-Bedingungen
• Verwendung von List Comprehensions mit If-Else

Datenvisualisierung mit seaborn/matplotlib:

• Grundlegende Aspekte von matplotlib
• Anpassung von Achsenbeschriftung, Legende und Titel
• Speichern von Diagrammen
• Erstellung von Diagrammtypen wie Linien-, Box-, Histogramm-, Scatter- und Balkendiagrammen in seaborn
• Variation oder Festlegung von Darstellungsmerkmalen (Punktgröße, Farbe, Gruppierung) durch eine Variable

Textmanipulation im DataFrame und Einführung in numpy:

• Zeilenweise Textbearbeitung in DataFrames
• Extraktion von Informationen aus Texten
• Erstellung von numpy-Arrays und Slicing nach Zeilen und Spalten
• Anwendung von Funktionen auf numpy-Arrays

Überblick über Machine Learning:

• Einführung in das Konzept des Machine Learnings
• Praktische Anwendungsbeispiele
• Unterscheidung von künstlicher Intelligenz, Machine Learning und Deep Learning
• Erklärung des Unterschieds zwischen überwachtem und unüberwachtem Lernen
• Besprechung von Overfitting, Train-Test-Split und Kreuzvalidierung

Entscheidungsbaum mit scikit-learn:

• Datenaufteilung in Test- und Trainingsdaten, Modellerstellung und Validierung
• Grundlagen des Entscheidungsbaum-Algorithmus
• Umsetzung in Python
• Ergebnisvalidierung (u. a. Verwirrungsmatrix, Sensitivität, Genauigkeit)
• Anpassung von Hyperparametern während des Trainings

Neuronales Netz und K-Nearest Neighbor:

• Grundlagen dieser Algorithmen
• Training eines Multi-Layer-Perceptrons (MLP)
• Umsetzung in Python mit scikit-learn
• Ergebnisvalidierung (u. a. Verwirrungsmatrix, Sensitivität, Genauigkeit)
• Anpassung von Hyperparametern

K-Means Clustering:

• Erstellung und Validierung eines Cluster-Modells
• Grundlagen des K-Means-Algorithmus
• Umsetzung in Python mit scikit-learn
• Ergebnisvalidierung

Clustering mit DBSCAN:

• Funktionsweise des DBSCAN-Clustering-Algorithmus
• Worin liegt der Unterschied zu K-Means?
• Umsetzung in Python mit scikit-learn
• Ergebnisvalidierung (Sillhouette Score, Calinski-Harabasz)