Data Science Business Akademie: Python - Praxis mit Zertifizierung - Seminar / Kurs von GFU Cyrus AG
Inhalte
- Datenstrukturen in Python
- Unterschied Funktionen vs. Methoden
- Datenstrukturen in Python (number, tuple, list, dictionary, string)
- Ãœberblick und wichtige Methoden zu den DatenstrukturenÂ
- 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.frameÂ
- Eine Zeile ansprechen, hinzufügen und verändernÂ
- Eine Spalte ansprechen, hinzufügen und verändern
- Boolean indexing
- Ein leeres data.frame erstellen
- Ãœberblick über Methoden im data.frame, um einen Ãœberblick der Daten zu erhalten.Â
- Grundlegende Statistiken mit pandas
- Ãœberblick über Statistiken, die ich mit einem data.frame berechnen kann (Anzahl an gültigen Beobachtungen, Summe, Mittelwert, Median, Minimum, Maximum, Varianz,...)Â
- Eine Kreuztabelle (Kontingenztafel) berechnen
- Fehlende Werte ergänzen
- Variablen standardisieren
- Logische Operatoren
- Daten einlesen
- Das Arbeitsverzeichnis in Python setzenÂ
- 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
- Pythons pickle modul zum Speichern von Python Objekten
- Verschiedene Datentypen konvertieren (integer, unsigned integer, float, string)
- Data handling mit Pandas
- Löschen einer Zeile und Spalte
- Ãœberblick 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)Â
- 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 Ãœberblick)
- 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
- Datenstrukturen in Python
- Unterschied Funktionen vs. Methoden
- Datenstrukturen in Python (number, tuple, list, dictionary, string)
- Ãœberblick und wichtige Methoden zu den DatenstrukturenÂ
- Unterschied l ...
Lernziele
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 Ãœberblick 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 Ãœbungen trainiert.Â
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, ... Mehr Informationen >>
Zielgruppen
Technisch interessierte Fachkräfte bzw. Projektleiter:innen, welche eigenständig an Data Science Projekten mitarbeiten oder begleiten wollen. Die Teilnehmenden benötigen grundlegende Erfahrung mit Python, um auf das Grundkonzept der Programmiersprache aufbauen zu können. Überdies ist ein Basiswissen von statistischen Begriffen hilfreich (wie Mittelwert, Median, Perzentil, lineare Regression).
Technisch interessierte Fachkräfte bzw. Projektleiter:innen, welche eigenständig an Data Science Projekten mitarbeiten oder begleiten wollen. Die Teilnehmenden benötigen grundlegende Erfahrung mit ... Mehr Informationen >>