Angewandte Data Science mit Python eLearning

Angewandte Data Science mit Python eLearning

Lernen Sie die immer beliebter werdende Programmiersprache für die Entwicklung.

KURSÜBERSICHT

Python ist eine universelle Programmiersprache, die an Popularität gewinnt. Unternehmen auf der ganzen Welt nutzen Python, um aus Daten zu lernen und sich einen Vorteil gegenüber ihren Wettbewerbern zu verschaffen. Im Gegensatz zu anderen Python-Kursen konzentriert sich dieses Programm speziell auf Python für Data Science. Sie werden lernen, wie man Daten speichert und manipuliert sowie nützliche Werkzeuge, um Ihre eigenen Analysen zu starten.

Der Kurs "Python für Data Science" behandelt die grundlegenden Konzepte der Python-Programmierung und erklärt Datenanalyse, maschinelles Lernen, Datenvisualisierung, Web-Scraping und natürliche Sprachverarbeitung. Sie werden ein umfassendes Verständnis der verschiedenen Pakete und Bibliotheken erlangen, die benötigt werden, um Aspekte der Datenanalyse durchzuführen.

WAS IST ENTHALTEN?

• Kurs und Material sind auf Englisch.
• Anfänger - mittleres Niveau
• 1 Jahr Zugang zur selbstgesteuerten Lernplattform 24/7
• 6 Stunden Videoinhalt
• Empfohlene Lernzeit: 40 Stunden
• Virtuelle Labore, Testsimulation, Abschlussprojekte
• Keine Prüfung für den Kurs, aber der Student erhält eine Zertifizierung über den Abschluss der Schulung.
• BONUS KOSTENLOSER KURS: Statistik-Grundlagen für Data Science
• Bonus: 36 Stunden Live-Online-Kurs!

Bonus: Zusätzlich zu diesem praxisorientierten E-Learning-Kurs bieten wir Ihnen auf Wunsch kostenlosen Zugang zu unseren Online-Präsenzveranstaltungen, wann immer diese verfügbar sind (alle 2–3 Monate). Sie haben die Möglichkeit, mit dem Trainer und anderen Teilnehmern zu interagieren. Diese Online-Präsenzveranstaltungen werden ebenfalls aufgezeichnet, sodass Sie die Aufzeichnung 1 Jahr lang aufbewahren können.

KURSZIELE Sie werden lernen:

Am Ende des Kurses werden Sie in der Lage sein:

• Erwerben Sie ein tiefes Verständnis der Prozesse der Datenwissenschaft, Datenexploration, Datenvisualisierung, Hypothesenentwicklung und -prüfung.
• Installieren Sie die erforderliche Python-Umgebung und andere Hilfswerkzeuge und Bibliotheken.
• Verstehen Sie die grundlegenden Konzepte der Python-Programmierung wie Datentypen, Tupel, Listen, Dictionaries, grundlegende Operatoren und Funktionen.
• Führen Sie hochrangige mathematische Berechnungen mit dem NumPy-Paket und seiner umfangreichen Bibliothek mathematischer Funktionen durch.
• Führen Sie wissenschaftliche und ingenieurtechnische Berechnungen mit dem SciPy-Paket und seinen Unterpaketen wie Integrate, Optimize, Statistics, IO und Weave durch.
• Führen Sie Datenanalysen und -manipulationen mit den in der Pandas-Bibliothek bereitgestellten Datenstrukturen und -werkzeugen durch.
• Erwerben Sie Fachkenntnisse im maschinellen Lernen mit dem Scikit-Learn-Paket.
• Verstehen Sie überwachte und unüberwachte Lernmodelle wie lineare Regression, logistische Regression, Clustering, Dimensionsreduktion, K-NN und Pipelines.
• Verwenden Sie das Scikit-Learn-Paket für die Verarbeitung natürlicher Sprache.
• Verwenden Sie die Matplotlib-Bibliothek in Python zur Datenvisualisierung.
• Nützliche Informationen von Websites durch Web-Scraping mit Python extrahieren
  Integrieren Sie Python mit Hadoop, Spark und MapReduce

Wer sollte sich für dieses Programm anmelden?

Dieser Kurs ist ideal für Personen, die eine Karriere in der Datenwissenschaft, im maschinellen Lernen oder in der künstlichen Intelligenz anstreben und ihre Python-Programmierungs- und Datenanalysefähigkeiten verbessern möchten.

• Angehende Datenwissenschaftler
• Datenanalysten
• Software-Ingenieure oder Programmierer
• Forscher und Akademiker
• Maschinenlern-Enthusiasten
• Studierende und Absolventen

Voraussetzungen

Die Lernenden müssen einen Bachelor-Abschluss oder ein Abitur besitzen. Zusätzlich wird eine Neugier für Datenanalyse und der Wunsch, die Anwendungen von Python im Bereich der Datenwissenschaft zu erkunden, sehr empfohlen. Es wird auch empfohlen, Folgendes zu haben:

• Grundkenntnisse in Python-Programmierung: Vertrautheit mit grundlegenden Python-Programmierkonzepten wie Variablen, Schleifen, Funktionen und Kontrollfluss.
• Grundkenntnisse in Statistik: Ein grundlegendes Verständnis von Statistik, einschließlich Konzepte wie Mittelwert, Median, Standardabweichung, Wahrscheinlichkeit und Korrelation.
• Mathematik: Grundlegende mathematische Fähigkeiten, insbesondere in Bereichen wie Algebra und lineare Algebra, sind hilfreich, besonders bei der Arbeit mit maschinellen Lernalgorithmen oder -modellen.

Kursinhalt

Einführung in die Datenwissenschaft

• Einrichten von Jupyter Notebook
• Python-Funktionen
• Python-Typen und Sequenzen
• Python-Strings im Detail
• Python-Demo: Lesen und Schreiben von CSV-Dateien
• Datum und Uhrzeit in Python
• Objekte in Python Map
• Lambda und List Comprehension
• Warum Python für Datenanalyse?
• Python-Pakete für Data Science
• StatsModels-Paket
• Scipy-Paket

Grundlagen der Python-Programmierung

• Einrichten von Jupyter Notebook
• Python-Funktionen
• Python-Typen und Sequenzen
• Python-Strings im Detail
• Python-Demo: Lesen und Schreiben von CSV-Dateien
• Datum und Uhrzeit in Python
• Objekte in Python Map
• Lambda und List Comprehension
• Warum Python für Datenanalyse?
• Python-Pakete für Data Science
• StatsModels-Paket
• Scipy-Paket

NumPy

• Grundlagen von NumPy
• Array-Formen und Achsen in NumPy: Teil A
• NumPy-Array-Formen und -Achsen: Teil B
• Arithmetische Operationen
• Bedingte Logik
• Häufige mathematische und statistische Funktionen in Numpy
• Indizierung und Slicing
• Dateiverwaltung

Lineare Algebra

• Einführung in die Lineare Algebra
• Skalare und Vektoren
• Skalarprodukt zweier Vektoren
• Lineare Unabhängigkeit von Vektoren
• Norm eines Vektors
• Matrixoperationen
• Rang einer Matrix
• Determinante einer Matrix und Einheitsmatrix oder -operator
• Inverse einer Matrix und Eigenwerte und Eigenvektoren
• Analysis in der linearen Algebra

Statistik Grundlagen

• Bedeutung der Statistik im Hinblick auf Data Science
• Häufige statistische Begriffe
• Arten von Statistiken
• Datenkategorisierung und -typen
• Maßstabsebenen
• Maßnahmen der zentralen Tendenz
• Streuungsmaße
• Zufallsvariablen
• Mengen
• Maße der Form (Schiefe & Wölbung)
• Kovarianz und Korrelation

Wahrscheinlichkeitsverteilung

• Wahrscheinlichkeit, ihre Bedeutung und Wahrscheinlichkeitsverteilung
• Wahrscheinlichkeitsverteilung: Binomialverteilung
• Wahrscheinlichkeitsverteilung: Poisson-Verteilung
• Wahrscheinlichkeitsverteilung: Normalverteilung
• Wahrscheinlichkeitsverteilung: Bernoulli-Verteilung
• Wahrscheinlichkeit Dichte Funktion und Massenfunktion
• Kumulative Verteilungsfunktion
• Zentraler Grenzwertsatz
• Schätzungstheorie

Fortgeschrittene Statistik

• Verteilung
• Kurtosis Schiefe und Student's T-Verteilung
• Hypothesentests und Mechanismus
• Ergebnisse der Hypothesenprüfung: Typ-I- und Typ-II-Fehler
• Nullhypothese und Alternativhypothese
• Konfidenzintervalle
• Fehlermargen
• Vergleich und Gegenüberstellung von T-Test und Z-Test
• Bayessches Theorem
• Chi-Quadrat-Verteilung
• Chi-Quadrat-Test und Anpassungsgüte
• Varianzanalyse oder ANOVA
• ANOVA Terminologien
• Varianzzerlegung mit Python
• F-Verteilung mit Python
• F-Test

Pandas

• Pandas-Serie
• Abfragen einer Serie
• Pandas Dataframes
• Pandas-Panel
• Häufige Funktionen in Pandas
• Pandas-Funktionen Datenstatistische Funktion, Fensterfunktion
• Pandas-Funktion Daten und Timedelta
• Kategorische Daten
• Arbeiten mit Textdaten
• Iteration
• Sortierung
• Plotten mit Pandas

Datenanalyse

• Daten verstehen
• Arten von Daten: Strukturiert, Unstrukturiert, Unordentlich usw.
• Arbeiten mit Daten Auswahl geeigneter Werkzeuge, Datensammlung, Datenaufbereitung
• Datenimport und -export in Python
• Reguläre Ausdrücke in Python
• Textmanipulation mit regulären Ausdrücken
• Zugriff auf Datenbanken in Python

Datenaufbereitung

• Pandorable oder idiomatisches Pandas Code
• Laden Indizierung und Reindizierung
• Zusammenführen
• Speicheroptimierung in Python
• Datenvorverarbeitung: Datenladen und Entfernen von Nullwerten Null-Werte
• Datenvorverarbeitung Null-Werte ausfüllen
• Datenbinning-Formatierung und -Normalisierung
• Datenbündelungsstandardisierung
• Datenbeschreibung

Datenvisualisierung

• Prinzipien der Informationsvisualisierung
• Visualisierung von Daten mit Pivot-Tabellen
• Datenvisualisierungsbibliotheken in Python Matplotlib
• Grafiktypen
• Datenvisualisierungsbibliotheken in Python: Seaborn, Plotly, Bokeh
• Verwendung von Matplotlib zum Zeichnen von Diagrammen
• 3D-Diagramme für mehrere Spalten mit Matplotlib plotten
• Verwendung von Matplotlib mit anderen Python-Paketen
• Verwendung von Seaborn zum Zeichnen von Diagrammen
• 3D-Diagramme für mehrere Spalten zeichnen Verwendung von Seaborn
• Einführung in Plotly und Bokeh

BONUS KOSTENLOSER KURS: Statistik-Grundlagen für Data Science

• Einführung in die Statistik
• Verstehen der Daten
• Deskriptive Statistik
• Datenvisualisierung
• Wahrscheinlichkeit
• Wahrscheinlichkeitsverteilungen
• Stichproben und Stichprobentechniken
• Schließende Statistik
• Anwendung der Inferenzstatistik
• Beziehung zwischen Variablen
• Anwendung von Statistik im Geschäftsbereich
• Unterstützte Praxis

Kursprojekt

Der Kurs umfasst auch praxisnahe, branchenbasierte Projekte. Die erfolgreiche Bewertung eines der folgenden Projekte ist Teil der Zulassungskriterien:

Projekt 1: Verkaufsanalyse für Geschäftswachstum

Analysieren Sie die Verkaufsdaten eines Einzelhandelsbekleidungsunternehmens und unterstützen Sie das Management bei der Formulierung ihrer Verkaufs- und Wachstumsstrategie.

Projekt 2: Analyse der Marketingkampagne

Führen Sie eine explorative Datenanalyse und Hypothesentests durch, um die verschiedenen Faktoren, die zur Kundengewinnung beitragen, besser zu verstehen.

Projekt 3: Visualisierung von Immobiliendaten

Analysieren Sie den Wohnungsdatensatz mit verschiedenen Arten von Diagrammen, um Einblicke in die Daten zu gewinnen.

Projekt 4: Analyse der Immobilienpreise

Analysieren Sie Wohnungsdaten, um Einblicke in die Hauspreise zu gewinnen, die Faktoren zu verstehen, die die Hauspreise beeinflussen, und die Auswirkungen verschiedener Hausmerkmale auf deren Preis zu erkennen.

Projekt 5: Analyse des Kundenverhaltens

Verwenden Sie verschiedene Wahrscheinlichkeitsverteilungen, um das Kundenverhalten und die Leistungskennzahlen des Geschäfts mithilfe eines benutzerdefinierten Datensatzes zu analysieren.