Data Science mit Python - Einführung in Python

GFU Cyrus AG — bildet weiter.

Bereits 1980 als GFU Cyrus + Rölke mbH gegründet, zählt die GFU heute zu den renommiertesten IT-Schulungsunternehmen in Deutschland. Jedes Jahr besuchen mehrere tausend IT-Fachleute aus der gesamten Bundesrepublik unsere Seminare — in über 45 Jahren sind daraus mehr als 38.000 durchgeführte IT-Schulungen geworden.

Unser Programm

Mit über 4.250 Schulungsthemen decken wir das gesamte IT-Spektrum ab: von Administration über Softwareentwicklung, Datenbanken, Data Science und KI bis hin zu Cloud, Security und Betriebssystemen. Rund 50 Dozentinnen und Dozenten aus den verschiedensten IT-Bereichen stehen dafür mit einem außergewöhnlichen Maß an Fachkompetenz bereit — dieses Know-how bieten wir auch für Projektarbeit und Coaching an.

Unser Anspruch

Ob offenes Seminar, Firmenschulung oder Individualschulung: Unsere Teilnehmenden genießen den Rundum-Service der GFU — von der Anreise bis zur Abreise. Kleine Lerngruppen, hochqualifizierte Trainer und Fachbuchautoren, die auf individuelle Fragen eingehen, regelmäßige Pausen, gute Verpflegung und hochwertige 86"-Schulungs-Screens sind für uns selbstverständlich.

Maßgeschneiderte Weiterbildung

Sie wissen nicht, welches Thema zu Ihnen passt? Wie beim Maßschneider stellen wir gemeinsam mit Ihnen Ihr individuelles Schulungspaket zusammen — damit Ihre Weiterbildung auch nach Jahren noch perfekt sitzt.

Unsere Kunden

Zu unseren Kunden zählen Banken, Versicherungen, Handelskonzerne, Industrieunternehmen, Kommunen und öffentliche Einrichtungen aus dem gesamten deutschsprachigen Raum.

Digitale Nachweise mit OpenBadges

Mit der Ausstellung digitaler Badges über die OpenBadgeFactory machen wir erworbene Kompetenzen unserer Teilnehmenden sichtbar, verifizierbar und teilbar — ein weiterer Baustein, mit dem die GFU IT-Professionals auf ihrem Weg weiterbildet.

www.gfu.net

Seminarkatalog: www.gfu.net/seminare.html

Sie können grundlegende Schritte mit Python im Bereich Data Science anwenden, so dass ein selbstständiges Arbeiten möglich ist. Wege, um weitergehende Algorithmen und Methoden in Python zu finden sind bekannt, um das Wissen auch nach dem Seminar weiter ausbauen zu können. Sie haben einen Überblick über verwendete Algorithmen im Machine Learning und können diese voneinander differenzieren und in Python anwenden. Sie arbeiten überwiegend selbstständig mit Unterstützung des Trainers, um das Erlernte direkt umzusetzen und anzuwenden. Anhand von Datenbeispielen werden die wichtigsten Bibliotheken (pandas, seaborn, scikit-learn) besprochen und in umfangreichen Übungen trainiert.

• Einführung
  • Kurzer Hintergrund zu Python und Anaconda
  • Installieren von neuen Paketen
  • Arbeiten mit Jupyter Lab
• Einführung in das Data Science Paket pandas
  • Elemente eines pandas data.frame
  • Eine Zeile/Spalte ansprechen, hinzufügen, löschen und verändern
  • Boolean indexing
  • Ein leeres data.frame erstellen
  • Überblick über Methoden, ein data.frame anzupassen (Spaltennamen ändern, Werte ersetzen, ein data.frame sortieren
• Grundlegende Statistiken mit pandas
  • Überblick über Statistiken, die mit einem data.frame berechnen werden kann (Anzahl an gültigen Beobachtungen, Summe, Mittelwert, Median, Minimum, Maximum, Varianz,...)
  • Eine Kreuztabelle (Kontingenztafel) berechnen
  • Analysen mit grouphy gruppieren
  • Fehlende Werte ergänzen
• Daten einlesen
  • Das Arbeitsverzeichnis in Python setzen
  • Ein CSV einlesen und schreiben und Überblick über die nützlichsten Parameter hierfür
  • Python's pickle modul zum Speichern von Python Objekten
  • Verschiedene Datentypen konvertieren (integer, unsigned integer, float, string)
• Visualisierung mit matplotlib und seaborn
  • Die Hauptelemente beim Plotten mit matplotlib
  • Einen Plot anpassen (x- und y-Achse ändern, Beschriftungen, Legende und Titel ändern) und speichern
  • Auswahl von Farben
  • Erstellen von Scatterplot, Linienplot, Barplot, Boxplot mit seaborn
• Control Flows
  • Die range() Funktion
  • Eine eigene Funktion schreiben
  • Default Parameter in einer Funktion setzen
  • For Schleifen
  • If-Else Bedingungen
  • Logische Vergleichsoperatoren
  • Zuweisungsoperatoren
• Überblick über Machine Learning
  • Was ist Machine Learning
  • Die Einteilung von Algorithmen im Machine Learning (supervised Learning - unsupervised learning - reinforcement learning)
  • Overfitting, Train-Test-Split und cross-validation (Kreuzvalidierung)
• Machine Learning Algorithmen (Theorie und Praxis)
  • Einführung in den Algorithmus (Lineare Regression, Entscheidungsbaum)
  • Train-Test Split der Daten
  • Umsetzung des Algorithmus in Python
  • Validieren der Ergebnisse (u.a. confusion matrix, sensitivity, accuracy)
• Optional: Weitere Machine Learning Algorithmen in Python
  • Erklärung von Random Forest und K-means
  • Umsetzung dieser Algorithmen in Python
  • Validieren der Ergebnisse
  • Cross-validation (Kreuzvalidierung)