Data Science Crash Course mit R (Präsenz) - Seminar / Kurs von DHL Data Science Seminare GmbH

In diesem Lehrgang erhalten Sie eine fundierte Einführung in die Themen Data Science, Künstliche Intelligenz und Machine Learning sowohl für numerische als auch Textdaten (auch mit Nutzung von ChatGPT).

In dem aus drei Modulen bestehenden Lehrgang "Data Science Crash Course mit R” erhalten Sie eine fundierte Einführung in die Themen Data Science, Künstliche Intelligenz und Machine Learning (Maschinelles Lernen) sowohl für numerische Daten als auch für Textdaten. Ziel dieser Methoden ist es, aus den vorhandenen Daten einen Mehrwert zu schaffen. Und genau das lernen Sie in unserem Data Science Crash Course in drei aufeinander aufbauenden Modulen. Bei entsprechenden Vorkenntnissen können Sie die Module auch einzeln besuchen.

Im Modul "Data Science und Künstliche Intelligenz mit R” (SG-Seminar-Nr. 5961324) erhalten Sie einen Überblick über das spannende Thema Künstliche Intelligenz mit vielen Praxisbeispielen. Zudem werden Sie in der Programmiersprache R so weit fit gemacht, dass Sie Ihr erstes Data-Science-Projekt vom Einlesen der Daten bis hin zur Speicherung der Modelle zur weiteren Verwendung eigenhändig umsetzen können.

Das Modul "Machine Learning mit R” (SG-Seminar-Nr. 5961322) geht nun einen Schritt weiter. Hier erhalten Sie einen Einblick in die unterschiedlichen Algorithmen des Maschinellen Lernens. Die Theorie dahinter wird dabei anhand von Praxisübungen aus den Bereichen Clustering, Virtuelle Sensoren und Zeitreihenvorhersage vermittelt. In diesem Modul werden Sie sich hauptsächlich mit der Anwendung des Machine Learning auf numerischen Daten beschäftigen.

Abgerundet wird der Data Science Crash Course durch das dritte Modul "Natural Language Processing (NLP) mit R” (SG-Seminar-Nr. 5961320), bei dem Sie sich mit der Anwendung des Maschinellen Lernens im Kontext der natürlichen Sprachverarbeitung auseinandersetzen. Im Gegensatz zum Modul Machine Learning mit R werden jetzt Wörter und Textdaten und nicht mehr numerische Daten verarbeitet. Zusätzlich behandeln wir in diesem Modul das wichtige Thema der Datenbeschaffung - und eine mögliche Option bietet hier das Web Scraping bzw. Crawling, das Sie anhand einer Praxisübung selbst umsetzten.

Weitere Infos zu den Inhalten der drei Module über die unten stehende Agenda hinaus finden Sie in den Modulbeschreibungen. Geben Sie dazu die jeweilige SG-Seminar-Nr. in das Suchfeld von Semigator ein.

  

Modul Data Science und Künstliche Intelligenz mit R (2 Tage) SG-Seminar-Nr. 5961324

• Überblick, Grundlagen und Praxisbeispiele
  • Künstliche Intelligenz
  • Data Science
  • Maschinelles Lernen
  • Herausforderungen bei der Umsetzung eines Data Science/KI Projekts
  • Praxisbeispiele u.a. zu den Themen:
    • Natural Language Processing (NLP)
    • Bilderkennung
    • Predictive Maintenance
    • Prozessindustrie
    • Logistik
• Intensivkurs R
  • Einführung in R: Datenstrukturen (Listen, Vektoren und Data Frames), Kontrollstrukturen (Fallunterscheidungen, Schleifen und benutzerdefinierte Funktionen) und Erstellung von Diagrammen (ggplot2, plotly)
  • Relevante R-Pakete: Tidyverse, Caret und Keras/Tensorflow
  • Data Science mit R: 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

 

Modul Machine Learning mit R (2 Tage) SG-Seminar-Nr. 5961322

• Praxis-Beispiel I (Clustering)
  • Einführung in den Kontext und die Daten
  • Zielsetzung und Methodennutzung
  • Praxis-Übung I: Dimensionalitätsreduzierung mit einer Principal Components Analysis (PCA)
  • Praxis-Übung II: Kategorie-Einteilung von Service-Einsätzen mittels KMeans und Density-Based Spatial Clustering of Applications with Noise (DBSCAN)
• Praxis-Beispiel II (Virtueller Sensor)
  • Einführung in den Kontext und die Daten
  • Zielsetzung und Methodennutzung
  • Praxis-Übung: Vorhersage eines (meistens nicht direkt messbaren) Wertes anhand vorhandener Variablen/Merkmale mittels Decision Trees, Random Forest und XGBoost und Evaluation mittels Feature Importance
• Praxis-Beispiel III (Trendvorhersage)
  • Einführung in den Kontext und die Daten
  • Zielsetzung und Methodennutzung
  • Praxis-Übung I: Zeitreihenvorhersage mittels Random Forest, XGBoost und Neuronalen Netzen
  • Praxis-Übung II: Multivariate Zeitreihenvorhersage mittels Long-Short-Term-Memory (LSTM) inkl. weiterführende R-Bibliotheken: keras, tensorflow

 

Modul Natural Language Processing (NLP) mit R (1 Tag) SG-Seminar-Nr. 5961320

• Web Scraping und Crawling
  • Kommerzielle und ethische Gesichtspunkte
  • Scrapen einer Webseite: requests, robots.txt, html, regex
  • Praxis-Übung: Scrapen einer Webseite
• Vorverarbeitung von Text
  • Parsing: Tokenizer, Stopwords, Stemming, n-grams
  • Praxis-Übung: Parsen von Data-Science-Texten
• Praxis-Beispiel I (Topic Clustering)
  • Kurze Einführung in den Kontext und die Zielsetzung
  • Praxis-Übung: Unüberwachtes Lernen/Unsupervised Learning (DBSCAN)
• Praxis-Beispiel II (Sentiment Analysis)
  • Kurze Einführung in den Kontext, die Daten und die Zielsetzung
  • Praxis-Übung: Überwachtes Lernen/Supervised Learning (Neuronale Netze)
• Praxis-Beispiel III (Sentence Completion)
  • Kurze Einführung in den Kontext, die Daten und die Zielsetzung
  • Praxis-Übung: Symbolische Zeitreihenvorhersage (Long-Short-Term-Memory/LSTM und Embedding)

 

Dauer des Seminars

• Rahmen: 5 Tage mit 40 Unterrichtsstunden (täglich 8 Stunden, 9-17 Uhr)
• Aufteilung Theorie/Praxis: 40% Theorie + 60 % Praxis, Übungen und Demos

 

Lernziele

Am Ende des Data Science Crash Course mit R 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 R und Methoden des Maschinellen Lernens für Ihren Bereich nutzbar machen können (unter Einsatz der R-Pakete Tidyverse, Caret und Keras/Tensorflow),
• die Programmiersprache R und den wissenschaftlichen Rechenstapel von R 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,
• eine Kategorien-Einteilung/Clustering mit Unüberwachtem Lernen/Unsupervised Learning (PCA, k-Means, DBSCAN) durchführen können,
• eine Trendvorhersage mit Überwachtem Lernen/Supervised Learning (Neuronale Netze, XGBoost, LSTM) durchführen können,
• einen Virtuellen Sensor mit Überwachtem Lernen/Supervised Learning (Decision Tree, Random Forest, XGBoost) entwickeln können,
• wissen, was Sie beachten müssen, wenn Sie Daten aus dem Internet ziehen (Web Scraping und Web Crawling) - und wie Sie Daten von einer Seite "scrapen” und vorverarbeiten können,
• wie Sie Texte mittels Tokenizer, Stopwords, Stemming und n-grams vor-verarbeiten bzw. parsen können und
• einen praktischen Einblick erhalten, wie Sie Topic Clustering, eine Sentiment Analyse und Satz-Vervollständigung mittels Unsupervised und Supervised Learning durchführen können.

Zielgruppen

Unser Data Science Crash Course mit Python ist für Beschäftigte aus operativen Bereichen, R&D und IT mit grundlegenden Programmierkenntnissen geeignet, welche die Potenziale von Data Science, Künstlicher Intelligenz und Maschinellem Lernen für ihren Bereich kennenlernen und hautnah erfahren möchten. Anwender, Studenten, Doktoranden und Forscher aus den mathematischen, statistischen, naturwissenschaftlichen, ingenieurwissenschaftlichen, informationstechnologischen, betriebs-, wirtschafts-, markt- und sozialwissenschaftlichen Bereichen sind ebenfalls willkommen.

Inhaltliche Voraussetzungen zur Kursteilnahme

Für den Data Science Crash Course mit R 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 R, Python oder Matlab. Liegen keine Programmierkenntnisse vor, können Sie den dafür entwickelten Vorbereitungskurs Einführung in die Programmierung mit R besuchen (SG-Seminar-Nr. 5701180).

Technische Voraussetzungen zur Kursteilnahme

Bitte bringen Sie zur Teilnahme an dem Präsenzseminar Ihren Lapop mit der von Ihnen bislang genutzen R/RStudio-Umgebung mit. Sie erhalten außerdem eine Installationsanleitung für die Aktualisierung der Installation und der im Unterricht verwendeten R-Pakete. Bei Bedarf können Sie einen  fertig konfigurierten Schulungslaptop mieten, der im Seminarraum zur Verfügung gestellt wird.