• Übersicht über wichtige Data Science Pakete: numpy, scikit-learn, pandas, matplotlib, plotly, scipy and many more
  
• Nutzung von Anaconda und Jupyter-Notebooks
  
• Umgang pandas DataFrames
  
• Erstellen von (interaktiven) Grafiken mit matplotlib und plotly
  
• Data Preparation mit pandas, numpy und scikit-learn
  
• Umgang mit Machine Learning Methoden mittels scikit-learn
  
• Komplexere Machine Learning Methoden einsetzen, z.B. Deep Learning mit PyTorch und TensorFlow

• Grundlagen Python für Data Science, Hilfe, Übersicht über wesentliche Ressourcen
  
• Interaktives Arbeiten in Data Science Projekten mit Jupyter-Notebooks
  
• Importieren von Daten mittels pandas aus Datenquellen wie SQL, MS Excel etc.
• Analysieren der Daten mittels pandas und matplotlib sowie weiterer Pakete. Dabei liegt Fokus auf unplausiblen oder fehlenden Werten, Ausreißern, Verteilungen, Deskriptive Statistiken und Grafiken, Korrelationen/Heatmaps etc.
  
• Aufbereiten der Daten für Analysezwecke auf Basis der gewonnenen Erkenntnisse: Ersetzen fehlender Werte, Verteilungstransformationen, Standardisierungen, Gewinnen von Subdatensätzen, Aufteilen in Test- und Trainingsdatensätze etc.

• Modellierungsalgorithmen Teil 1: Grundlegende Verfahren für das supervised learning: Logistische Regressionsanalyse und einfache Bäume für kategoriale Zielvariablen sowie Multiple Lineare Regressionsmodelle für metrisch skalierte Zielvariablen (ggf. bereits am ersten Tag, je nach Fortschritt in der Gruppe)
  
• Modell-Evaluation: Typische Outcome-Parameter nach Messniveau der Zielvariablen (MAE, MAPE, R-Quadrat), Accuracy, Confusion Matrix, AUC/ROC-Kurven, Übersicht weitere Parameter)
  
• Modellierungsalgorithmen Teil 2: Fortgeschrittene (Black Box) Verfahren: Random Forests, Gradient Boosting, etc.
• Ensemble-Verfahren: Ensemble-Verfahren, Bagging (Bootstrap Aggregation)
  
• Hyperparameter-Tuning: Strategien, Grid-Search, Random-Search, Wahl eines Modells
  
• Deep Learning mit TensorFlow und PyTorch: Grundlagen und einfache Modelle.

Dieser zweitägige Kompaktkurs vermittelt die wesentlichen Fähigkeiten, um mit Python Machine Learning Fragestellungen bearbeiten zu können.

Warum Python? TIOBE hat Python insbesondere wegen der Nutzung im Machine Learning zur Programmiersprache des Jahres 2020 gewählt. Durch zahlreiche Zusatzpakete - numpy, pandas, scikit-learn, matplotlib, plotly etc. - lässt sich Python ideal für die Analyse und Aufbereitung von Daten, die Anwendung von Machine Learning Modellen, wie auch für das Deployment der erstellten Modelle nutzen. 

Interaktives Arbeiten: Anders als in der klassischen Programmierung ist die Entwicklung von Machine Learning Modellen ein interaktiver Prozess: Zu Beginn eines Projekts ist selten klar, was die Daten hergeben, was an Datenaufbereitungen notwendig ist und wie aufwendig das Trainieren einer Vielzahl von Machine Leanrning Modellen ist. Dieser interaktive Prozess wird durch die Nutzung von Jupyter-Notebooks optimal unterstützt, da diese neben Python-Code auch das Einfügen von Texten mittels Markdown erlauben. Deshaln führen wir alle Übungen in Juypter-Notebooks durch.

Seminaraufbau: Der Seminaraufbau folgt dem CRISP-DM-Modell, dessen erste Schritte (Business Understanding, Data Understanding) einen erheblichen Mehrwert für die erfolgreiche Durchführung in Data Science-Projekten bieten. Die weiteren Schritte - Data Preparation und Modeling - werden heute oft stark agil umgesetzt. Die verbleibenden beide Schritte: Evaluation (in Hinblick auf das Erreichen der Business-Objectives) und Deployment sollen noch einmal verdeutlichen, dass Data Science Projekte nicht im luftleeren Raum entwickelt werden, sondern z.B. einen positiven RoI liefern oder andere Business Objectives erfüllen sollen.

Seminarinhalte: Die Seminarinhalte sind von Data Science-Expertinnen entwickelt worden, addressieren also Ihre Bedürfnisse in der betrieblichen Praxis. Einen detaillierten Überblick über die Seminarinhalte finden Sie in der Agenda. Alle Themen werden immer praktisch in den o.g. Jupyter-Notebooks umgesetzt. Die Geschwindigkeit richtet sich dabei nach dem Fortschritt in der Gruppe. Durch die sehr kleinen Gruppengrößen (Präsenzveranstaltungen in Wiesbaden werden mit maximal 4 Teilnehmer:innen durchgeführt) kann auch auf individuelle Fragen eingegangen werden.

Angebotsgarantie: Unser Service für Sie: Die Präsenzseminare in Wiesbaden werden bereits ab einer Anmeldung durchgeführt!