Data Science mit Python: Der Intensivkurs für die professionelle Datenanalyse

Data Science mit Python: Der Intensivkurs für die professionelle Datenanalyse

1. Methodische Grundlagen

• Einführung in Data Science, maschinelles Lernen und Künstliche Intelligenz
• Vermittlung des richtigen Business- und Data-Understandings als Grundlage für Datenanalysen
• Erlernen des methodischen Vorgehens im Data Mining zur Extraktion wertvoller Informationen aus großen Datenmengen
• Praxisbezogene Beispiele und Use Cases aus den Bereichen Marketing, Controlling und Industrie
• Heranführung an potenzielle Einsatzfelder und dazu passende Herangehensweisen in Data-Science-Projekten
• Ein Crash-Kurs in Python, der speziell auf die Anwendung in Data-Science-Projekten zugeschnitten ist

2. Supervised und Unsupervised Learning

• Statistische Grundlagen, die für maschinelles Lernen und Data Science unerlässlich sind
• Tiefgehende Datenexploration und visuelle Darstellung von Daten zur besseren Verständlichkeit und Analyse
• Einführung in die Konzepte der Regression, Klassifikation und Clustering – die Grundpfeiler des maschinellen Lernens
• Praxisbezogene Übungen zu Training, Testing und Evaluation von Machine-Learning-Modellen
• Tipps, Herausforderungen und Best Practices im Umgang mit realen Data Science-Projekten

3. Datenaufbereitung und -visualisierung

• Feature Engineering und Selektion zur Verbesserung der Modellperformance
• Methoden zur Datenbereinigung und -transformation, um die Datenqualität zu sichern und verbessern
• Strategien im Umgang mit fehlenden Werten (Missing Values) und Ausreißern

4. Praktische Übungen zum Mitprogrammieren

Durch das ganze Seminar hindurch löst du selbst praxisnahe Aufgaben mit Python, die dir helfen, das Gelernte sofort anzuwenden und zu festigen. Diese Übungen sind so konzipiert, dass sie Herausforderungen simulieren, mit denen Data Scientists in der realen Welt konfrontiert sind. Bereitgestellt werden die Aufgaben in Jupyter Notebooks – du benötigst also keine komplexen Programmierumgebungen.