Data Science in der Praxis: Datenanalysen und maschinelles Lernen mit Python

1. Einführung in Python für Data Science

• Warum Python?
• Python-Basics kompakt vermittelt
• Datentypen und Datenstrukturen
• Externe Packages nutzen
• Eigenwertberechnung mit NumPy und Matplotlib
• Einsatz von Jupyter Notebooks

2. Deskriptive Statistik mit pandas

• Einführung in pandas
• Mittelwert
• Standardabweichung
• Median
• Quantile
• DataFrames analysieren mit df.describe()

3. Einstieg in das Machine Learning

• Verfahren, Datentypen und Daten
• Modelltraining und Modellbewertung
• Bias und Variance
• Training und Inference mit scikit-learn

4. Lineare Regression: Modelle, Training, Erweiterungen

• Lineare Regression
• Training und Bewertung von Regressionsmodellen
• Lineare Regression mit mehreren Features
• Lineare Regression mit scikit-learn
• Kategoriale Features
• Regression mit Basisfunktionen

5. Modellbewertung und Optimierung

• Overfitting: Cross-Validation und Regularisierung
• Regularisierung: Lasso- und Ridge-Regression
• Bias-Variance Tradeoff: Fehler ausbalancieren

6. Arbeiten mit relationalen Daten

• Gruppierung
• Aggregation
• Transformation
• Filter
• Joins
• Kreuzprodukt

7. Wichtige Klassifikationsverfahren

• K-Nearest-Neighbors (k-NN)
• Decision Trees
• Ensemble Methoden (Bagging, Boosting, Random Forest)
• Support Vector Machines

8. Optimierung und Bewertung von Modellen

• Grid Search
• Cross-Validation
• Bewertung binärer Klassifikatoren

9. Methoden im Unsupervised Learning

• k-Means
• Dimensionsreduktion (PCA)

10. Überblick über Neuronale Netze

• Funktionsweise von Neuronalen Netzen
• Perceptrons
• Aktivierungsfunktionen
• Gradientenverfahren

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.

Grundlegende Programmierkenntnisse von Vorteil

In diesem Seminar wird die Programmiersprache Python eingesetzt. Auch wenn das Seminar mit einem kurzen Crashkurs zu wichtigen Python-Anweisungen beginnt, ist es von Vorteil, wenn du schon grundlegende Programmierkenntnisse, etwa zu Variablen, Listen, Arrays und for-Schleifen, mitbringst oder dir vor dem Seminar erstes Wissen darüber aneignest. Damit kannst du die vermittelten Konzepte schneller erfassen und die praktischen Übungen effektiver umsetzen. Du kannst das Seminar auch ohne Vorkenntnisse erfolgreich belegen. Bitte richte dich dann auf eine etwas steilere Lernkurve ein. Ob mit oder ohne Vorwissen, die Referent:innen werden dich bestmöglich unterstützen und durch die Inhalte begleiten.