Data Scientist - Fokus Python

Lernen Sie, Daten mit Python selbstständig einzulesen, zu bereinigen, zu analysieren und mit gängigen Bibliotheken wie Pandas, Matplotlib und Seaborn professionell aufzubereiten. Erfahren Sie, wie mathematische und statistische Grundlagen der linearen Algebra und Wahrscheinlichkeitsverteilungen das Verständnis moderner Data-Science- und Machine-Learning-Verfahren unterstützen. Entwickeln Sie Kompetenzen im überwachten und unüberwachten maschinellen Lernen, um Prognosemodelle zu erstellen, Modellgüte zu bewerten und Verfahren wie Regression, Klassifikation, Clustering oder Dimensionsreduktion sicher anzuwenden. Beschäftigen Sie sich mit erweiterten Methoden wie Entscheidungsbäumen, Random Forests, Support Vector Machines, neuronalen Netzen, NLP und verteilten Datenanalysen mit PySpark. Gewinnen Sie außerdem praktische Sicherheit darin, Data-Science-Projekte eigenständig umzusetzen, Modelle zu interpretieren und Ergebnisse mit Visualisierungen und Data Storytelling überzeugend zu kommunizieren.

Konkret behandeln wir:

1. Preparation
Ziel: Auffrischung der Kenntnisse im Umgang mit Python sowie mathematischer Grundlagen Beschreibung
Beschreibung:
Teilnehmende führen Analysen und Datenmanipulationen in Python aus und nutzen dabei die Pakete Pandas und Matplotlib.

Kapitel 1 – Data Analytics with Python:
Teilnehmende machen sich mit unserer interaktiven Programmierumgebung – dem Data Lab – vertraut und frischen die wichtigsten Programmier- und Python-Grundlagen zur Datenverarbeitung mit Pandas, Datenvisualisierung mit Matplotlib und Seaborn und Datenbankabfrage mit SQL Alchemy auf.

Kapitel 2 – Linear Algebra:
Teilnehmende machen sich mit dem mathematischen Hintergrund von Data-Science-Algorithmen vertraut und lernen die Grundbegriffe der linearen Algebra kennen. Unter Verwendung des Pakets Numpy rechnen die Teilnehmenden mit Vektoren und Matrizen.

Kapitel 3 – Probability Distributions:
Teilnehmende lernen mehr über den statistischen Hintergrund von Data-Science-Algorithmen. Sie beschäftigen sich mit wichtigen statistischen Konzepten und lernen diskrete und kontinuierliche Verteilungen kennen. Darüber hinaus erhalten Teilnehmende einen Einblick in die Versionierung von Code mit Git.

2. Machine Learning Basics
Ziel: Lösen von überwachten und unüberwachten Machine-Learning-Problemen mit sklearn
Beschreibung:
Teilnehmende erstellen Data-Science-Workflows mit sklearn, evaluieren ihre Modell-Performance anhand von geeigneten Metriken und werden für das Problem des Overfittings sensibilisiert.

Kapitel 1 – Supervised Learning (Regression):
Anhand der linearen Regression erlernen Teilnehmende den Umgang mit dem Python-Paket sklearn. Weiterhin beschäftigen sie sich mit den Annahmen des Regressionsmodells und der Evaluation der erzeugten Prognosen. In diesem Zuge werden auch der Bias-Variance Trade-Off, Konzepte der Regularisierung sowie verschiedene Maße der Modellgüte verdeutlicht.

Kapitel 2 – Supervised Learning (Classification):
Teilnehmende werden in Klassifizierungsalgorithmen anhand des k-Nearest-Neighbors-Algorithmus eingeführt und lernen, den Algorithmus zu evaluieren und die Klassifizierungsperformance einzuschätzen. Sie optimieren die Parameter ihres Modells unter Beachtung der Aufteilung der Daten in Trainings- und Evaluationssets.

Kapitel 3 – Unsupervised Learning (Clustering):
Teilnehmende lernen den k-Means-Algorithmus als Beispiel eines Algorithmus des unüberwachten Lernens kennen. Die Annahmen und Performance-Metriken des Algorithmus werden kritisch beleuchtet und ein kurzer Ausblick auf eine Alternative zum k-Means-Clustering geworfen.

Kapitel 4 – Unsupervised Learning (Dimensionality Reduction):
Teilnehmende lernen, wie sie mithilfe einer Principal Component Analysis (PCA) die Dimension der Daten verringern können und nutzen die PCA, um unkorrelierte Features aus den Ursprungsdaten zu erzeugen. In diesem Zusammenhang wird das Thema Feature Engineering näher betrachtet und aus den alten Features neue erzeugt.

Kapitel 5 – Outlier Detection:
Teilnehmende lernen verschiedene Ansätze kennen, um Ausreißer zu identifizieren und verstehen, mit diesen ungewöhnlichen Datenpunkten umzugehen. Sie nutzen robuste Maße und Modelle, um den Einfluss der Ausreißer zu minimieren.

3. Supervised Learning
Ziel: Erweiterung des eigenen Data-Science-Toolkits
Beschreibung:
Teilnehmende intensivieren ihre Kenntnisse über Modelle zur Klassifikation von Daten. Dabei erweitern sie ihre Fähigkeiten im Sammeln und Aufbereiten von Daten.

Kapitel 1 – Data Gathering:
Teilnehmende lernen, Daten zu sammeln, indem sie Webseiten und PDFDokumente auslesen. Mithilfe von Regular Expressions strukturieren sie gesammelte Textdaten so, dass sie diese zusammen mit bekannten Algorithmen verwenden können.

Kapitel 2 – Logistic Regression:
Teilnehmende lernen einen zweiten Klassifizierungsalgorithmus kennen: die logistische Regression. Sie nutzen neue Performance-Metriken zur Evaluation der Ergebnisse und erfahren, wie sie nicht-numerische Daten für ihre Modelle nutzbar machen.

Kapitel 3 – Decision Trees and Random Forests:
Teilnehmende lernen den Entscheidungsbaum als leicht zu interpretierendes Modell kennen. Sie kombinieren mehrere Modelle zu einem Ensemble, um die Vorhersagen ihres Modells zu verbessern. Weiterhin erhalten sie Methoden zu unausgeglichenen Kategorien an die Hand.

Kapitel 4 – Support Vector Machines:
Teilnehmende lernen einen letzten Klassifizierungsalgorithmus kennen – Support Vector Machines (SVM) und beleuchten das Verhalten verschiedener Kernel für die SVM. Außerdem erlernen sie die typischen Schritte des Natural Language Processing (NLP) und bearbeiten ein NLPSzenario unter Verwendung von Bag-of-Words-Modellen.

Kapitel 5 – Neural Networks:
Teilnehmende werden in künstliche neuronale Netze eingeführt und lernen mehr über Deep Learning, um ein künstliches neuronales Netzwerk mit mehreren Schichten zu erzeugen und auf ein Datenset anzuwenden.

4. Advanced Topics
Ziel: Selbstständiges Anwenden einfacher und komplexer Modellierungen
Beschreibung:
Teilnehmende erlangen Souveränität im Lösen von Data-Science-Problemen und lernen, Ergebnisse kompetent zu kommunizieren.

Kapitel 1 – Visualization and Model Interpretation:
Teilnehmende erlernen wichtige Methoden zur Interpretation und Visualisierung von Machine-Learning-Modellen. Durch die Verwendung modelagnostischer Methoden zur Interpretation lernen sie Erkenntnisse zur Funktionsweise ihrer Modelle abzuleiten und zu kommunizieren.

Kapitel 2 – Spark:
Teilnehmende erfahren, weshalb die Arbeit mit verteilten Speichersystemen relevant ist. Mit dem Python-Paket PySpark erlernen sie verteilte Datenbanken auszulesen, Big-Data-Analysen durchzuführen und bekannte Machine-Learning-Algorithmen auf verteilten Systemen zu nutzen.

Kapitel 3 – Übungsprojekt:
Teilnehmende bearbeiten ein Prädiktionsproblem mit Hilfe eines größeren Datensets und setzen ihre Data-Science-Fähigkeiten von der Reinigung des Datensets bis zur Interpretation des Modells eigenständig ein. In einer Projektbesprechung mit dem Mentorenteam von StackFuel erhalten Teilnehmende Feedback zu ihrem Lösungsansatz.

Kapitel 4 – Abschlussprüfung:
Teilnehmende erhalten ein weiteres größeres Datenset, das sie selbstständig analysieren und im Vergleich zum Übungsprojekt mit weniger Hilfestellungen lösen müssen. In einer individuellen Projektbesprechung mit dem Mentoring Team von StackFuel erhalten Teilnehmende Feedback zu ihrem Lösungsansatz.

Für das Data Scientist Training werden gute Kenntnisse in Python sowie in gängigen Modulen wie pandas und matplotlib vorausgesetzt. Hilfreich sind außerdem Interesse an Statistik, logischem Denken und maschinellem Lernen. Der Kurs richtet sich an Personen, die bereits erste Python-Erfahrung mitbringen und diese gezielt in Richtung Data Science und Machine Learning ausbauen möchten.

Sie lernen mit einem digitalen und interaktiven Lernmanagement-System, das die Materialien für ein Seminar bereithält. Sie haben Zugriff auf Lernmodule und -sequenzen, Links und andere Dateien. Dies ermöglicht eine bewährte Basis für ortsunabhängiges und effektives Lernen.

Die Weiterbildung eignet sich für alle, die Daten analysieren und auf dieser Grundlage Vorhersagen erstellen möchten, um datengetriebene Entscheidungen zu treffen. Sie ist auch für Quereinsteigerinnen und Quereinsteiger geeignet, sofern bereits gute Python-Kenntnisse vorhanden sind. Besonders relevant ist der Kurs für Personen, die sich im Bereich Data Science, Machine Learning und Künstliche Intelligenz beruflich weiterentwickeln und praktische Modellierungs- und Analysekompetenzen aufbauen möchten.

Das Training ist berufsbegleitend innerhalb von 18 Wochen zu absolvieren. Als Alternative kann das Training auch als Fasttrack Variante innerhalb von 9 Wochen absolviert werden. Jede Woche werden neue Inhalte in einem interaktiven Lernmanagement-System freigeschaltet. In einem wöchentlichen Live-Webinar können Fragen mit Ihren Data Science Mentor:innen besprochen werden.

Lernmaterial: 108 Stunden

3 Module + 8 Business Cases + 1 Abschlussprojekt

StackFuel bietet Ihnen eine innovative Lernumgebung, mit der Sie Ihre Datenkompetenz auf die effektivste Weise weiterentwickeln- interaktiv und mit echten Praxisaufgaben.

Kategorie: Künstliche Intelligenz
Kombinierbar mit: Analytics & Reporting - Focus Power BI
InHouse-Schulung: Dieser Kurs ist auch als maßgeschneiderte InHouse-Schulung für Ihr Unternehmen verfügbar.
Weiterführende Informationen: Aktuelle Artikel und Neuigkeiten finden Sie in unserem Blog.
Newsletter: Bleiben Sie auf dem Laufenden mit unserem Newsletter.

• 80 % Praxisanteil: Durch den hohen Praxisanteil lernen Sie alle Skills, die Sie für den Arbeitsalltag in Ihrem zukünftigen Datenjob brauchen.
• Flexibel: Vollständig online und in Voll- oder Teilzeit  können Sie sich so weiterbilden, wie es am besten für Sie funktioniert.
• Von Mentor:innen unterstützt: Unsere Datenexpert:innen sind immer in Kontakt und bieten Unterstützung und Motivation.
• Mit Abschlusszertifikat: Nach Abschluss des Trainingsprogramms bekommen Sie unser anerkanntes Zertifikat, um Ihre Skills nachzuweisen.
• Karriereservice inklusive: Unser Career Service-Team unterstützen Sie mit Beratung und Coaching bei Ihrem Einstieg in Ihren Datenjob.

Sie erhalten ein Zertifikat von StackFuel. Damit weisen Sie Ihre erworbenen Kenntnisse in Data Science, Machine Learning, Python und datengetriebener Modellierung nachvollziehbar nach.

Zertifikat

Welche Vorkenntnisse brauche ich für den Kurs?

Für den Kurs werden gute Kenntnisse in Python sowie Erfahrung mit gängigen Bibliotheken wie pandas und matplotlib vorausgesetzt. Interesse an Statistik, logischem Denken und maschinellem Lernen ist ebenfalls hilfreich.

Welche Themen stehen im Mittelpunkt der Weiterbildung?

Im Mittelpunkt stehen Data Science mit Python, Machine Learning, Datenvisualisierung, Data Storytelling sowie fortgeschrittene Methoden wie Clustering, Klassifikation, neuronale Netze und Modellinterpretation. Auch praktische Projekte und die Arbeit mit größeren Datensätzen sind Bestandteil des Trainings.

Ist der Kurs berufsbegleitend aufgebaut?

Ja, das Training ist berufsbegleitend konzipiert und kann regulär in 18 Wochen oder alternativ als Fasttrack in 9 Wochen absolviert werden. Wöchentlich werden neue Inhalte freigeschaltet, die durch Live-Webinare begleitet werden.

Wie praxisnah ist das Training?

Das Training ist stark praxisorientiert und findet in der interaktiven Programmierumgebung Data Lab statt. Dort bearbeiten Sie reale Aufgaben, programmieren eigene Lösungen und wenden Ihr Wissen direkt in Übungs- und Abschlussprojekten an.

Welchen Abschluss erhalte ich?

Sie erhalten ein Zertifikat von StackFuel. Damit dokumentieren Sie Ihre erworbenen Kenntnisse in Data Science, Machine Learning, Python und datengetriebener Modellierung.

In diesem Training lernen Sie:

• Daten selbständig einzulesen, zu bereinigen und zu filtern
• Daten explorativ mithilfe der deskriptiven Statistik zu analysieren
• komplexe Prognosemodelle zu entwickeln und zu verifizieren
• Ihre Python-Programmierkenntnisse zu vertiefen
• Datenmodelle zur Vorhersage von Business‑Szenarien zu bauen
• Machine Learning für Vorhersagen zu nutzen
• Best Practices für die effektive Datenvisualisierung anzuwenden
• Methoden des Data Storytellings anzuwenden