Online-Training: Data Scientist mit Fokus Python

Kursdetails

Sie lernen, Machine Learning Algorithmen zu implementieren und zu optimieren. Ebenso werden Kompetenzen aufgebaut für gängige Visualisierungsmethoden.

 

Inhalte

MODUL 0: PREPARATION

Data Analytics:

Teilnehmende frischen die wichtigsten Grundlagen zur Datenverarbeitung mit Pandas, Datenvisualisierung mit Matplotlib und Seaborn und Datenbankabfrage mit SQL Alchemy auf.

Linear Algebra:

Teilnehmende machen sich mit dem mathematischen Hintergrund von Data Science Algorithmen vertraut.

Probability Distributions:

Teilnehmende erfahren mehr über den statistischen Hintergrund von Data Science Algorithmen.

 

MODUL 1: MACHINE LEARNING BASICS

Regression:

Anhand der linearen Regression erlernen Teilnehmende den Umgang mit dem Python Paket sklearn.

Supervised Learning (Classification):

Teilnehmende werden in Klassifizierungsalgorithmen eingeführt.

Clustering:

Teilnehmende bekommen den k Means Algorithmus als Beispiel des unüberwachten Lernens vorgestellt.

Unsupervised Learning (Dimensionality Reduction):

Teilnehmende erlernen, wie sie mithilfe einer Principal Component Analysis (PCA) die Dimension der Daten verringern können.

Outlier Detection:

Teilnehmende bekommen Ansätze gezeigt, um Ausreißer zu identifizieren und verstehen.

MODUL 2: DEEP DIVE SUPERVISED LEARNING

Data Gathering:

Teilnehmende erlernen, Daten zu sammeln.

Logistic Regression:

Teilnehmende nutzen Performance Metriken zur Evaluation der Ergebnisse und erfahren, wie sie nichtnumerische Daten nutzbar machen.

Decision Trees and Random Forests:

Teilnehmende lernen den Entscheidungsbaum als leicht zu interpretierendes Modell kennen.

Support Vector Machines:

Teilnehmende lernen einen letzten Klassifizierungsalgorithmus.

Neural Networks:

Teilnehmende werden in künstliche neuronale Netze eingeführt.

MODUL 3: ADVANCED TOPICS

Visualization and Model Interpretation:

Teilnehmende erlernen Methoden zur Interpretation und Visualisierung von Machine Learning Modellen.

Spark:

Teilnehmende erfahren, weshalb die Arbeit mit verteilten Speichersystemen relevant ist.

Exercise Project:

Teilnehmende bearbeiten ein Prädiktionsproblem und setzen ihre Data Science Fähigkeiten eigenständig ein.

Final Project:

Teilnehmende erhalten ein weiteres größeres Datenset, das sie selbstständig analysieren und lösen müssen.