DATA SCIENTIST - FOKUS PYTHON - Qualifizierung für die Jobrolle als Data Scientist
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Data Training for Professionals | Online-Training
DATA SCIENTIST –
FOKUS PYTHON
Qualifizierung für die Jobrolle als Data Scientist
In Kooperation mit
www.uebzo.deDATA SCIENTIST – ÜBERSICHT
BESCHREIBUNG LERNORT
Mit dem berufsbegleitenden Online-Training Praxisnahe Lernumgebung:
lernen Teilnehmende unüberwachtes und Die Teilnehmenden lernen mit
überwachtes maschinelles Lernen, unterschiedliche Hilfe aktueller Technologien und
Datenvisualisierungsmethoden und das Data- neuester Python-Bibliotheken.
Storytelling kennen, um danach die Rolle des Data
Scientist einnehmen zu können. Während des Moderner Technologie Stack:
Trainings arbeiten die Teilnehmenden in unserer Im Training werden reale
browserbasierten, interaktiven Lernumgebung, dem Datensets sowie Business Cases
Data Lab. Dabei handelt es sich um eine vollwertige aus der Industrie verwendet, um
Programmierumgebung in der die selbst programmierten praxisnahe Lernszenarien zu
Codes ausgeführt werden können. ermöglichen.
LERNZIEL Browserbasiert:
Den Teilnehmenden werden
Anwendung von Performance-Metriken und Annahmen alle für das Training benötigten
von Modellen des überwachten und unüberwachten Rechenleistungen zur Verfügung
Lernens mit Sklearn. Grundlagen des Data-Storytelling gestellt.
sowie Best Practices der informativen Gestaltung von
Visualisierungen mit Bokeh Algorithmen des überwachten Innovatives Data Lab:
und unüberwachten Lernens, wie Entscheidungsbäume und Das Training findet im Browser
Random Forests werden erlangt. statt, so dass keine weiteren
Software-Installationen benötigt
ZIELGRUPPE werden.
Das Training eignet sich für alle, die Daten analysieren
und Vorhersagen erstellen, um datengetriebene
Entscheidungen zu treffen. Gute Kenntnisse in Python
und gängigen Modulen (Pandas, Matplotlib) werden
vorausgesetzt.
INHALTE
Optional Preparation
Machine Learning Basics
Supervised Learning
Advanced Topics in Data ScienceINHALTE
MODUL 0: OPTIONAL PREPARATION
Kapitel 1: Data analytics with Python (optional)
Aufteilung:
Eigenheiten von Python: List comprehension und built-in
functions 2,5% Video
Daten strukturieren/Umgang mit fehlenden Daten 2,5% Quiz
Datenvisualisierung mit Matplotlib 95% Programmierübung im Data Lab
Wöchentliches Webinar
SQL Datenbanken über sqlachemy ansteuern
Modul-Dauer: ca. 12-18 Stunden
Kapitel 2: Linear algebra (optional)
Grundlagen der Linearen Algebra: Umgang mit Vektoren und Matrizen
Umgang mit numpy Arrays und Broadcasting
Umsetzung statistischer Funktionen wie mean, median, quantile
Kapitel 3: Probability distributions (optional)
Statistische Konzepte verstehen: Gesetz der großen Zahlen und zentraler Grenzwertsatz
Zufallsverteilungen kennen lernen: diskrete und kontinuierliche Verteilungen
MODUL 1INHALTE
MODUL 1: MACHINE LEARNING BASICS
Kapitel 1: Supervised learning: regression
Aufteilung:
Lineare Modelle mit Scikit learn
2,5% Video
Overfitting durch Regularisierungen minimieren
2,5% Quiz
Scikit-learn Methoden wie fit, transform und predict
kennenlernen 95% Programmierübung im Data Lab
Wöchentliches Webinar
Identifikation optimaler error/ loss-Funktionen und
Modellevaluationen Modul-Dauer: ca. 20-30 Stunden
Kapitel 2: Supervised learning: classification
Verstehen und Anwendung von k-nearest neighbors Algorithmus
Evaluierung von Klassifikationsalgorithmen (Accuracy, Confusion Matrix, Precision, Recall und f1-Score)
Optimierung von ML-Algorithmen: Hyperparametertuning mit GridSearchCV
ML Pipelines konstruieren
Kapitel 3: Probability distributions (optional)
Verstehen und Anwendenung von k-means
Algorithmen optimieren mit Elbow-Method
Evaluation von Clustering mit Silhouette-Coefficients
Sphärische und nicht sphärische Cluster: DBSCAN
Kapitel 4: Unsupervised learning: dimensionality reduction
Feature Engineering unter anderem mit PolynomialFeatures
Dimension der Datensätze reduzieren mit PCA
Laufzeitanalyse von ML Algorithmen mit timeit
Kapitel 5: Outlier detection
Ausreißer über Histogramme, Abstand zum Mittelwert und RANSAC erkennen
MODUL 2
Ursachen für das Entstehen von Ausreißern verstehen
Robuste Maße einsetzen: Median, Median Absolute DeviationINHALTE
MODUL 2: SUPERVISED LEARNING
Kapitel 1: Data gathering
Aufteilung:
Externe Datenquellen: Webscraping und -Crawling
2,5% Video
PDF‘s auslesen und Daten aufbereiten
2,5% Quiz
Strukturierte, semistrukturierte und unstrukturierte Daten
95% Programmierübung im Data Lab
Textaufbereitung mit regular expressions
Wöchentliches Webinar
Kapitel 2: Logistic regression Modul-Dauer: ca. 20-30 Stunden
Klassifizierung mit der Logistischen Regression verstehen
und anwenden
Arten von Klassifizierungsfehlern kategorisieren
Receiver-Operator-Characteristic (ROC) und Area-Under-
Curve (AUC) zur Evaluation nutzen
Anwendbarkeit des Algorithmus: Korrelationsanalyse von
Features
Kapitel 3: Decision trees and random forests
Entscheidungsbäume und random forests verstehen und anwenden
Kombination von Modellen durch ensembling
Behandlung unausgeglichener Zielkategorien und sampling
Kapitel 4: Support Vector Machines
Support-Vektoren und Support-Vektor-Maschinen verstehen und anwenden
Natural Language Processing mit Spacy, nltk
Vektorisierung in NLP: CountVectorizer und TfidfVectorizer
Kernels der SVM und Kerneltrick
Kapitel 5: Neural networks
Neural Networks: Neurons, Shallow und Deep Networks
Einfluss von Activation Functions: Sigmoid und ReLU MODUL 3
Erstellen, kompilieren und trainieren von Netzwerken mit KerasINHALTE
MODUL 3: ADVANCED TOPICS IN DATA SCIENCE
Kapitel 1: Visualisation and model interpretation
Aufteilung:
Interpretation von baumbasierten Modellen: Gini- und
Feature Importance 2,5% Video
Permutation Feature Importance, partial dependence und 2,5% Quiz
ICE plots 95% Programmierübung im Data Lab
Visualisierungen: Strip-, Box- und Violin-Plots Wöchentliches Webinar
Interaktive Visualisierungen mit bokeh Modul-Dauer: ca. 20-30 Stunden
Kapitel 2: Spark
Spark Ökosysteme und DataFrames
Spark mit Python: PySpark
Eigene Funktionen in PySpark umsetzen
Anwendbarkeit des Algorithmus: Korrelationsanalyse von Features
Kapitel 3: Exercise Project
Eigenständiges Datenprojekt mit Business Szenario
Anwendung der erlernten Kenntnisse
Personalisiertes Feedback für jeden Teilnehmenden
Kapitel 4 & 5: Final Project
Komplexes Datenprojekt mit Business Szenario
Vertiefung der erlernten Kenntnisse
Personalisiertes Feedback und Zertifikat
Kernels der SVM und KerneltrickTERMINE
07.03. - 21.08.2022 zur Anmeldung
ÜBERBLICK
18.04. - 02.10.2022 zur Anmeldung
Seminargebühr:
30.05. - 13.11.2022 zur Anmeldung 3.990,- Euro (zzgl. MwSt.)
11.07. - 25.12.2022 zur Anmeldung
Seminardauer:
22.08.2022 - 05.02.2023 zur Anmeldung 108 Stunden in 18 Wochen
03.10.2022 - 19.03.2023 zur Anmeldung
Dozent:
14.11.2022 - 30.04.2023 zur Anmeldung Dr. Alexander Eckrot
12.12.2022 - 28.05.2023 zur Anmeldung
Ablauf:
Der Zugangslink zur Veranstaltung
wird in einer separaten E-Mail nach
der Anmeldung zugeschickt.
WEITERE KURSE
AI Driven Management Data Driven Management
AI Literacy Data Storytelling
Data Analyst Deep Learning
Data Awareness PythonLegen Sie jetzt los und machen Sie Ihre Mitarbeitenden und Ihr
Unternehmen fit für die Daten-Skills von morgen!
Wir unterstützen Sie gerne! Sprechen Sie uns an.
KONTAKT
Überbetriebliches Bildungszentrum in Ostbayern In Kooperation mit
Paul-Engel-Straße 1
92729 Weiherhammer
E-Mail: info@uebzo.de
Telefon: 09605/919848
www.uebzo.deSie können auch lesen
