Die Schulung dient der beruflichen Weiterbildung, und das erhaltene Zertifikat ersetzt nicht das MYK-Zertifikat in Schulungen, bei denen das MYK-Zertifikat erforderlich ist.

1. Einführung in Python und Grundlegende Konzepte:

• Einführung in Python: Grundlegende Syntax, Datentypen und Kontrollstrukturen.
• Python-Bibliotheken: Einführung in wichtige Bibliotheken wie NumPy, Pandas, Matplotlib, Seaborn und SciPy zur Unterstützung von Data Science-Projekten.
• Datenstrukturen: Listen, Dictionaries, Sets und Tupel - wie man sie effizient in Python verwendet.

2. Datenanalyse und -manipulation:

• Datenmanipulation mit Pandas: Arbeiten mit DataFrames und Series, das Einlesen und Bearbeiten von Datensätzen.
• Datenbereinigung: Methoden zum Umgang mit fehlenden Daten, fehlerhaften Werten und Datentypen.
• Datenumwandlung und -verarbeitung: Filtern, Gruppieren und Pivot-Tabellen in Pandas, um nützliche Erkenntnisse zu gewinnen.
• Datenvisualisierung: Erstellen von Diagrammen und Visualisierungen mit Matplotlib und Seaborn zur effektiven Darstellung von Daten.

3. Statistische Analyse und Modellierung:

• Grundlegende Statistik: Einführung in statistische Konzepte wie Mittelwert, Median, Standardabweichung, Korrelation und Wahrscheinlichkeitsverteilungen.
• Statistische Tests: Durchführung gängiger Tests wie t-Tests, Chi-Quadrat-Tests, ANOVA und Regression, um Hypothesen zu testen und Daten zu analysieren.
• Einführung in maschinelles Lernen: Verständnis der grundlegenden Unterschiede zwischen überwachtem und unüberwachtem Lernen.

4. Maschinelles Lernen Algorithmen:

• Regressionsmodelle: Lineare Regression, logistische Regression und Polynomiale Regression in Python anwenden.
• Klassifikationsalgorithmen: Entscheidungsbäume, Random Forests, k-Nächste Nachbarn (KNN), Support Vector Machines (SVM) und deren Implementierung mit Python.
• Clustering-Algorithmen: K-means, hierarchisches Clustering und DBSCAN zur Entdeckung von Mustern in den Daten.
• Modellbewertung: Berechnung und Analyse von Metriken wie Genauigkeit, Fehlerquote, F1-Score und ROC-AUC zur Beurteilung der Modellleistung.

5. Data Mining und Deep Learning:

• Data Mining-Techniken: Mustererkennung und Klassifikationstechniken für die Verarbeitung großer Datensätze.
• Einführung in Deep Learning: Grundlagen von künstlichen neuronalen Netzen, Backpropagation-Algorithmus und Implementierung mit TensorFlow und Keras.

6. Praxisprojekte und Anwendungen:

• Real-World-Projekte: Die Teilnehmer wenden ihr Wissen an, um Projekte mit realen Datensätzen aus verschiedenen Branchen zu entwickeln.
• Anwendungsbereiche der Data Science: Nutzung von Datenwissenschaft in Bereichen wie Gesundheitswesen, Finanzen, E-Commerce und soziale Medien.

7. Lernziele und Ergebnisse:

• Verwendung von Python für die Datenanalyse: Entwicklung von Projekten zur Analyse und Modellierung von Daten mit Python.
• Datenbereinigung und -verarbeitung: Erlernen der Techniken zur Datenbereinigung, -verarbeitung und -visualisierung.
• Anwendung von maschinellem Lernen: Implementierung und Evaluierung von Algorithmen für maschinelles Lernen.
• Deep Learning und Künstliche Intelligenz: Entwicklung von Deep-Learning-Modellen und Anwendung von KI-Techniken.
• Praktische Projekterfahrung: Entwicklung von Projekten mit realen Datensätzen zur Anwendung der erlernten Konzepte.

8. Zertifikate und Karrieremöglichkeiten:

• Zertifikat: Am Ende des Kurses erhalten die Teilnehmer ein Zertifikat, das ihre Fähigkeiten in der Datenanalyse und im maschinellen Lernen mit Python bestätigt.
• Karrieremöglichkeiten: Absolventen haben Zugang zu Karrieremöglichkeiten in den Bereichen Datenwissenschaft, maschinelles Lernen und künstliche Intelligenz in verschiedenen Branchen wie Finanzwesen, Gesundheit und Technologie.