gantt
title Seminarablauf (Tage)
dateFormat X
axisFormat %s
section Phase 1
Online-Seminar : 0, 1
section Phase 2
Selbstlern-Phase mit Übungen : 2, 7
section Phase 3
Online-Seminar : 7, 8
Data Science mit Python
Dieser Data Science Kurs bietet eine umfassende Einführung und Vertiefung in Datenwissenschaft, von Grundlagen bis zu fortgeschrittenen Techniken.
Sie erlernen relevante Kenntnisse über Datenschutz, Data Engineering, Datenanalyse, Web Scraping, Text Mining, sowie maschinelles Lernen und Deep Learning. Der Kurs zielt darauf ab, Ihnen sowohl theoretisches Verständnis als auch praktische Fähigkeiten zu vermitteln, damit Sie Daten effektiv analysieren und in realen Anwendungsfällen nutzen können.
Er ist ideal für alle, die ihre Karriere im Bereich Data Science voranbringen möchten, mit einem starken Fokus auf die Anwendung von Konzepten in der Praxis.
✓ Speziell auf Neueinsteiger zugeschnitten - für einen reibungslosen und verständlichen Einstieg.
✓ Falls Sie nach dem ersten Seminartag nicht zufrieden sein sollten, erhalten Sie Ihr Geld zurück.
✓ Beinhaltet zahlreiche praktische Übungen, die den Lernerfolg verbessern.
✓ Kombiniert Online-Coaching und selbstständiges Lernen für eine effektive Lernerfahrung.
✓ Mit Zertifikat, welches die erworbenen Kenntnisse und Fähigkeiten bescheinigt.
Kursinhalte
Data Science Grundlagen
- Einführung in Data Science
- Überblick über den Data Science Prozess
- Datenschutzgesetze und -regelungen
- Werkzeuge und Technologien
Data Engineering Basics
- Überblick über Datenarchitekturen
- Datenbanken Grundlagen
- Abfragen von Daten mit SQL
- Datenpipelines und Workflow-Management
- Einsatz von Containern (z.B. Docker)
- Cloud-Services und API-Nutzung
Daten aufbereiten
- Importieren von Daten
- Umgang mit fehlenden Daten, Ausreißern
- Datenbereiningung
- Feature Engineering und Transformation
- Skalierung und Normalisierung von Daten
Explorative Datenanalyse
- Erstellung von Visualisierungen
- Visualisierungstechniken zur Datenexploration
- Erkennung von Mustern und Anomalien
Web Scraping
- Verständnis von HTML, CSS und JavaScript
- Einführung in Web Scraping
- Scraping-Techniken
Text Mining und Analyse
- Einführung in Text Mining
- Sentimentanalyse: Theorie und Praxis
- Anwendungsbeispiele und Fallstudien
Maschinelles Lernen und Deep Learning
- Überwachtes und unüberwachtes Lernen
- Klassifizierung, Regression & Clustering
- Ensemble-Methoden (insb. Boosted Trees)
- Neuronale Netze und Deep Learning
- Datensplitting und Kreuzvalidierung
- Modellauswahl und -evaluation
Lernziele
Data Science Grundlagen
- Verstehen der Kernkonzepte und des Prozesses in Data Science
- Kenntnis der rechtlichen Rahmenbedingungen im Umgang mit Daten
- Beherrschung der grundlegenden Werkzeuge und Technologien für Datenanalyse
Data Engineering Basics
- Erwerb eines grundlegenden Verständnisses für Datenarchitekturen
- Kenntnisse im Umgang mit Datenbanken
- Fähigkeit, Daten effektiv mit SQL abzufragen
- Verständnis für die Erstellung und Verwaltung von Datenpipelines
- Kompetenzen im Einsatz von Containertechnologien und Cloud-Services
Daten aufbereiten
- Fertigkeiten im Importieren und Aufbereiten von Daten für Analysezwecke
- Techniken zur Behandlung von fehlenden Daten und Ausreißern
- Anwendung von Methoden zur Datenbereinigung und -transformation
- Kenntnisse über Skalierungs- und Normalisierungsverfahren
Explorative Datenanalyse
- Kompetenz in der Erstellung und Interpretation von Datenvisualisierungen
- Anwendung von Visualisierungstechniken zur Erkundung von Daten
- Fähigkeit, Muster und Anomalien in Datensätzen zu identifizieren
Web Scraping
- Verständnis der Grundlagen von Webtechnologien (HTML, CSS, JavaScript)
- Kenntnisse in Web Scraping Methoden und Techniken
- Fähigkeit, Daten effektiv von Webseiten zu extrahieren
Text Mining und Analyse
- Grundlagenwissen in Text Mining
- Durchführung von Sentimentanalysen
- Anwendung von Text Mining in praktischen Beispielen
Maschinelles Lernen und Deep Learning
- Verständnis der Konzepte von überwachtem und unüberwachtem Lernen
- Fähigkeiten in der Anwendung von Klassifizierungs-, Regressions- und Clustering-Methoden
- Kenntnisse über Ensemble-Methoden und deren Anwendung
- Verständnis für die Grundlagen und Anwendungen von neuronalen Netzen und Deep Learning
- Kompetenzen in der Modellauswahl, Kreuzvalidierung und Evaluation
Kursstruktur
Das Programm ist in drei verschiedene Phasen gegliedert, die eine umfassende Lernerfahrung bieten:
Phase 1: 1 Tag Online-Seminar, Samstag 10:00-15:30 Uhr
- Der Kurs startet mit einer intensiven, eintägigen Online-Schulung, die speziell strukturiert ist, um ein optimales Lernerlebnis zu gewährleisten. Der Tag ist in zwei Abschnitte unterteilt: Der Vormittag ist dem Online-Unterricht gewidmet, in dem zentrale Konzepte und Theorien vermittelt werden. Der Nachmittag konzentriert sich auf angeleitete praktische Übungen, in denen das am Vormittag Gelernte angewendet und vertieft werden kann. Diese ausgewogene Kombination aus theoretischem Input und praktischen Aktivitäten stellt sicher, dass alle Teilnehmer ein umfassendes Verständnis der Themen entwickeln und zugleich praktische Fähigkeiten erwerben.
Phase 2: 5 Tage Selbstlernphase, Montag bis Freitag
- Nach Abschluss der ersten Lernphase geht der Kurs in eine Selbstlernphase über. In dieser Etappe des Kurses vertiefen und erweitern Sie Ihr Verständnis der während der Online-Schulung eingeführten Konzepte. Durch die Bearbeitung von praxisnahen Fallstudien erhalten Sie die Möglichkeit, das neu erlernte Wissen auf vielfältige Szenarien anzuwenden. Diese Phase spielt eine zentrale Rolle für die Festigung Ihres Verständnisses und die Weiterentwicklung Ihrer Fähigkeiten. Sie bietet Ihnen die Chance, die erworbenen Techniken und Strategien an realen Problemstellungen zu testen. Während dieser Zeit stehen Sie in regelmäßigem Austausch mit dem Dozenten, der für Fragen und individuelle Unterstützung bereitsteht und Ihren Lernfortschritt gezielt fördert.
Phase 3: 1 Tag Online-Seminar, Samstag 10:00-15:30 Uhr
- Das Programm endet mit einem eintägigen Online-Seminar. Diese abschließende Phase bietet die Gelegenheit, das Gelernte zu festigen und sich mit den anderen Teilnehmenden auszutauschen. Das Online-Seminar umfasst Diskussionen, Frage- und Antwortrunden und weitere Einblicke in fortgeschrittene Themen der Programmierung.
Voraussetzungen
Für den Kurs gelten die folgenden Voraussetzungen:
- Grundlegende PC-Kenntnisse.
- Python Programmierkenntnisse sind erforderlich.
- Ein Rechner, auf dem Software installiert werden kann.
Leistungen und Kosten
Das Seminar wird mit maximal 12 Teilnehmenden pro Veranstaltung durchgeführt, wodurch eine intensive persönliche Betreuung sichergestellt werden kann.
Sie erhalten umfangreiche Schulungsunterlagen in Form von Präsentationen, Code-Vorlagen und Video-Material.
Die Online-Seminartage am Samstag finden jeweils von 10:00 bis 15:30 Uhr statt.
Während der Selbstlernphase werden Übungen bereitgestellt.
Bei Abschluss des Seminars erhalten Sie ein Schulungszertifikat.
Seminargebühr: 950 Euro (Zzgl. 19% MwSt.)
- Risikofreie Buchung: Es ist keine Vorauszahlung erforderlich. Sie erhalten eine Rechnung, die 14 Tage nach Seminarabschluss beglichen werden muss. Eine kostenfreie Stornierung ist bis zu 14 Tage vor Beginn des Seminars möglich. Sollte Ihnen das Seminar nicht zusagen, können Sie bis zum Ende des ersten Seminartages zurücktreten, ohne dass die Rechnung beglichen werden muss.