Data Science Crash Course - Seminar / Kurs von Dr. Haug Leuschner

Inhalte

Seminarbeschreibung

Viele Unternehmen sind auf der Suche nach Data Scientists, um sich die Potenziale datengetriebener Vorgehensweisen und Geschäftsmodelle zu erschließen oder sie auszubauen. Was bei der Fülle von Anforderungen in diesem Arbeitsbereich und der dafür notwendigen Kompetenzen schnell klar wird: Den universellen Data Scientist gibt es nicht.

Welche Kompetenzen für Unternehmen im Vordergrund stehen, hängt von ihrem jeweiligen Anwendungsbereich ab, jedoch beinhaltet das Anforderungsprofil grundlegende Fähigkeiten, die jeder Data Scientist erfüllen muss. Unser „Data Science Crash Kurs“ ermöglicht es den Teilnehmern, diese Fähigkeiten zu erwerben, während sie mit realen Datensätzen arbeiten. Dies wird durch den Einsatz der relevantesten Tools, wir Azure ML, TensorFlow, Amazon Machine Learning AWS, Apache Spark etc. sowie Techniken mit R und Python zur Lösung komplexer Geschäftsprobleme erreicht. Unsere Teilnehmer lernen Theorie und Praxis hinter Begriffen wie Empfehlungsmaschinen, Regressionen, Netzwerk- und grafischer Modellierung, Anomalie-Erkennung, Hypothesentests, Maschinellem Lernen und Big Data Analytics. Sie werden in die Lage versetzt, Data Science Techniken auf die Herausforderungen des Datenmanagements in ihren Unternehmen anzuwenden, häufige Fallstricke in der Big Data Analytik zu identifizieren und zu vermeiden sowie Maschinelle Lernalgorithmen einzusetzen, um ihre Daten zu analysieren.

Inhalt

Einführungen in
  • Big Data, Data Science und Predictive Analytics
  • Azure ML Studio
  • Data Mining
  • R Programmierung
  • Amazon Machine Learning AWS
Grundlagen des Data Science
  • Data Exploration, Visualization, and Feature Engineering
  • Praxis-Übung: Data Exploration, Visualisierung, and Feature Engineering
  • Machine Learning Grundlagen
Klassifikations Algorithmen
  • Einführung in Predictive Modeling
  • Entscheidungsbaum-Lernen
  • Logistische Regression
  • Naïve Bayes
  • Praxis-Übung: Erstellen eines Klassifikators
Regressions Algorithmen
  • Lineare Regression
  • Regularized Regression Models
  • Praxis-Übung: Erstellen eines Regression-Modells
Unsupervised Learning
  • K-Means Clustering
  • Praxis-Übung: Beispiel für K-Means Clustering
Empfehlungssysteme
  • Text Analytics
  • Content-Based and Collaborative Filtering
  • Bewertung von Empfehlungssystemen. DCG, nDCG
  • Praxis-Übung
Ensemble Methods
  • Bootstrapping, Bagging, and Boosting
  • AdaBoost
  • Random Forests
  • Praxis-Übung: Erstellen eines Random Forest Klassifikators
Operationalizing Machine Learning Models
  • Metriken and Methoden für Evaluating Classification and Regressions Modelle
  • Tuning Machine Learning Algorithm Parameters
  • Praxis-Übung für Klassifications- Modell in Azure ML Studio
  • Praxis-Übung: Einsatz eines prädiktiven Modells mit Amazon Machine Learning
  • Praxis-Übung: Laden und Visualisierung von Daten
  • Praxis-Übung: Aufbau und Bewertung eines prädiktiven Modells
Grundlagen von Big Data Engineering
  • Einführung in Large-Scale Online Systeme
  • Hive Tutorial
  • Hands-On Labs: Erstellen eines Hadoop-Clusters und Schreiben von Hive-Abfragen

 

Lernziele

Nach Abschluss des Kurses sind die Teilnehmer in der Lage analytische Modelle zu interpretieren, um bessere Geschäftsentscheidungen zu treffen. Sie verstehen die Herausforderungen, die mit der Skalierung großer Datenalgorithmen verbunden sind. Wir legen den Schwerpunkt auf die Grundlagen der Datenexploration, Visualisierung, Feature Engineering, Qualität, Erfassung und Probennahme, um Ihnen eine solide Grundlage für die prädiktive Analytik zu bieten. Der Lehrplan umfasst ein breites Spektrum an Klassifikation, Regressionanalyse, Empfehlung und unüberwachte Lerntechniken. Wir legen Wert auf ein solides Verständnis der Algorithmen und deren korrekte Anwendung. Die richtige Wahl der Metriken und die Abstimmung der Parameter sind entscheidend für den Aufbau robuster prädiktiver Modelle. Eine Kombination aus Vorlesung, Diskussion und praktischen Übungen stellt sicher, dass Sie die Möglichkeit haben, die richtigen Metriken für Ihr Modell auszuwählen, und Sie können Ihr Maschinelles Lernmodell so einstellen, dass es verallgemeinerbar wird. Da der Data Scientist Kenntnisse im Bereich des Data Engineering benötigt, werden Sie Hive-Abfragen ausführen. Sie werden auch lernen, Nachrichten-warteschlangen aufzubauen und Daten in Echtzeit zu verarbeiten.

Zielgruppen

Unser Programm ist speziell für Berufstätige konzipiert, die ihre aktuelle Position in der IT eines Unternehmens oder der Verwaltung um Kenntnisse des Data Science erweitern möchten. Wir konzentrieren uns auf die Vermittlung der Konzepte und des zugrundeliegenden Wissens, die für Data Science erforderlich sind und nicht auf plattformspezifische Techniken.

Termine und Orte

Datum Uhrzeit Dauer Preis
Köln, DE
02.12.2019 - 06.12.2019 09:00 - 17:00 Uhr 40 h Jetzt buchen ›
09.03.2020 - 13.03.2020 09:00 - 17:00 Uhr 40 h Jetzt buchen ›

SG-Seminar-Nr.: 5298909

Anbieter-Seminar-Nr.: DSC

Termine

  • 02.12.2019 - 06.12.2019

    Köln, DE

  • 09.03.2020 - 13.03.2020

    Köln, DE

Preise inkl. MwSt. Es können Gebühren anfallen. Für eine exakte Preisauskunft wählen Sie bitte einen Termin aus.

Jetzt buchen ›
Seminar merken ›

Sie buchen immer automatisch den besten Preis für jeden Termin. Semigator berücksichtigt

  • Frühbucher-Preise
  • Last-Minute-Preise
  • Gruppenkonditionen

und verfügt über Sonderkonditionen mit einigen Anbietern.

Der Anbieter ist für den Inhalt verantwortlich.

Nicht das gesuchte Seminar?

Über Semigator mehr erfahren

  • Anbietervergleich von über 1.500 Seminaranbietern
  • Vollständige Veranstaltungsinformationen
  • Schnellbuchung
  • Persönlicher Service
Datum Uhrzeit Dauer Preis
Köln, DE
02.12.2019 - 06.12.2019 09:00 - 17:00 Uhr 40 h Jetzt buchen ›
09.03.2020 - 13.03.2020 09:00 - 17:00 Uhr 40 h Jetzt buchen ›