Data Mining mit Python (3tägig)
Seminar
Inhouse
Beschreibung
-
Kursart
Intensivseminar
-
Niveau
Anfänger
-
Methodik
Inhouse
-
Unterrichtsstunden
24h
-
Dauer
3 Tage
-
Beginn
Oktober
Die dreitägige Schulung Data Mining mit Python führt in die Grundlagen und die Verwendung von Python zum Data Mining ein. Das Training Data Mining mit Python vermittelt nicht nur das theoretische Verständnis, sondern auch die praktische Anwendung für wichtige der im Data Mining eingesetzten Verfahren. Sie lernen grundlegende Schritte mit Python im Bereich Data Mining, um selbständig erste Data Mining Analysen durchzuführen. Ein Schwerpunkt hierbei ist das für Data Science entwickelte Python Paket pandas. Die mit diesem Paket erzeugten data frames entsprechen den in der statistischen Programmiersprache R üblichen data.frames und ermöglichen einen wesentlich höheren Datendurchsatz. Für die Visualisierung der Ergebnisse wird das Paket matplotlib eingesetzt. Sie werden auch erfahren, wie weitergehende Algorithmen und Methoden in Python zu finden sind, um das Wissen nach dem Seminar fortlaufend erweitern zu können. Sie erhalten einen Überblick über verwendete Algorithmen aus dem Machine Learning, welche in Python umgesetzt werden. Sie arbeiten überwiegend selbständig mit Unterstützung des Trainers, um das Erlernte in den Übungen direkt umzusetzen und anzuwenden.
Standorte und Zeitplan
Lage
Beginn
Beginn
Hinweise zu diesem Kurs
Die Teilnehmer erhalten einen Überblick über Python und die Entwicklungsumgebung Spyder aus der Anaconda distribution und können erste Analysen mit Python im Data Mining umsetzen. Die Schulung zielt darauf, die Einstiegshürde für die Anwendung von Python im Data Science zu nehmen, so dass die Teilnehmer überwiegend mit den eigenen Laptops und der Unterstützung des Trainers in Python arbeiten, um das Erlernte direkt umzusetzen und anzuwenden. Ein selbstständiges Arbeiten als data scientist wird ermöglicht, indem die Konzepte von Python vermittelt werden. Möglichkeiten weitergehende Algorithmen und Methoden zu finden werden aufgezeigt, um das Erlernte nach dem Seminar durch stetige Anwendung zu erweitern. Ein Überblick über bekannte Algorithmen im Machine Learning wird gegeben und die Teilnehmer können die verschiedenen Algorithmen voneinander differenzieren und in Python benutzen.
Datenanalysten und zukünftige Data Scientists, welche eine Vertiefung in wichtige Machine Learning Algorithmen erhalten wollen oder die die Syntax der Programmiersprache R kennenlernen wollen, um R-Skripte für Data-Mining-Analysen schreiben zu können
Grundlegende Kenntnisse in Python werden nicht vorausgesetzt, sind jedoch hilfreich. Alternativ wäre auch die Erfahrung in einer anderen Programmiersprache sehr förderlich, um Konzepte wie Variable, Variablenzuweisung, Funktionsaufruf und den Unterschied zwischen Ganzzahl und Dezimalzahl bereits zu kennen. Ein Basiswissen von grundlegenden statistischen Begriffen wie Mittelwert, Median, Perzentil, Normalverteilung, lineare Regression ist sehr empfehlenswert, um den Inhalten besser folgen zu können.
Schulungszertifikat mit den Seminarinhalten
In den konkreten Beispielen und praktischen Übungen, welche selbstständig mit Unterstützung des Trainers bearbeitet werden, werden die vorhandenen Kenntnisse über die Programmiersprache Python dahingehend ausgebaut, dass eine praktische Umsetzung und ein selbständiges Arbeiten im Bereich data science ermöglicht wird. Ein durchgehendes Datenbeispiel wird verwendet, um die wichtigsten Bibliotheken zu behandeln, welche in umfangreichen Übungen trainiert werden. Die Praxisbeispiele und Übungsaufgaben erfolgen mit der Programmiersprache Python und der Entwicklungsumgebung Spyder. Hierfür sollte die Python Distribution Anaconda auf dem eigenen Laptop installiert sein.
Sie erhalten innerhalb von 1-3 Werktagen die Information, wie Sie den gewünschten Kurs online auf der Webseite des Seminaranbieters www.statistik-seminare.de buchen können.
Meinungen
Themen
- Data Mining
- Python
- Spyder
- Pandas
- Pickle
- Matplotlib
- Visualisierung
- Supervised learning
- Unsupervised learning
- Reinforcement learning
- Lineare Regression
- Logistische Regression
- Entscheidungsbäume
- Random forest
- Support Vector Machine
- K-means
- Kerndichteschätzer
- Data science
- Datamining
- Machine Learning
Dozenten
Jan Köhler
Data Science
Technischer Projektleiter: Bosch Center for Artificial Intelligence Forschung an neuesten Technologien für Data Science, Machine Learning, Deep Learning mehrere wissenschaftliche Publikationen in internationalen Journals 2015: Harold W. Kuhn best paper award Hält neun Patente/Patentanmeldungen im Bereich Data Science/Machine Learning Zuvor Data Scientist in verschiedenen Stufen eines Data Mining Projekts (Beratung bis Implementierung mit R, Python, Matlab Seit 2012 Trainer für Data Science Master of Science in Statistik und Dipl.-Kfm. (technisch, Schwerpunkt: Operations Research)
Inhalte
- Pakete installieren und laden
- Hilfe und weiterführende Informationen finden
Einführung:
- Datenstrukturen in Python (tuples, list, dictionaries, strings)
- Installieren von neuen Paketen
- Klassen, Funktionen
- Entwicklungsumgebungen (Spyder)
Datenverarbeitung:
- Einführung in das Data Science Paket pandas
- Indexierung und Slicing eines DataFrames
- Erzeugen und Ändern von DataFrames
- Statistische Informationen über die Daten ableiten
- Umgang mit fehlenden Werten
- Datentypen konvertieren
Daten einlesen und grundlegende Statistiken:
- Grundlegende, deskriptive Statistiken
- Kontingenztafeln erstellen
- Daten aus verschiedenen Formaten (csv, xlsx, txt) einlesen und schreiben
- Daten in das binäre Python Format pickle schreiben und lesen
Visualisierung:
- Grundlegende Visualisierungen (Scatterplot, Linienplot, Barplot, Histogram) mit dem Paket matplotlib
- Anpassung und Individualisierung von Grafiken
- Grafiken mit dem Paket pandas erzeugen
- Speichern von Grafiken
Überblick über Machine Learning:
- Einführung in Machine Learning (Supervised – Unsupervised Learning. Overfitting, cross-validation)
- Grundlegendes Konzept von den Algorithmen Support Vector Machine (SVM), Random Forest und K-means
- Modelle der Algorithmen in Python erstellen
- Ergebnisse validieren
Detaillierte Umsetzung der Algorithmen Entscheidungsbaum und Logistische Regression:
- Grundlagen des Algorithmus
- Train-Test Split der Daten
- Ein Model in Python erstellen
- Validieren der Ergebnisse (u.a. confusion matrix, sensitivity, accuracy)
- Hyperparameter im Training
- cross-validation
Data Mining mit Python (3tägig)