Analyse und Visualisierung von raumbezogenen (geospatial/GIS) Daten in Python

Lernen Sie, wie Sie ihre Geo-Spatial-Daten in Python analysieren und visualisieren können

Inhouse-/Firmenschulung:

Kundenbewertungen & Erfahrungen zu Enable AI. Mehr Infos anzeigen.

Kurs auf einen Blick

Über die Schulung

Dauer: 2 Tage
Gruppengröße: 3-10
Level: Anfänger in Python mit Programmiererfahrung in einer anderen Sprache
Anteil Coding: 60%
Sprache: Python
Bibliotheken: numpy, pandas, matplotlib, geopandas, rasterio, contextily, pysal, sklearn
Skript: .pdf (Theorie, Aufgaben & Lösungen)

Ihr Trainer für den Kurs

Dr. Sina Huber

Seminar auf einen Blick

Einführung in raumbezogene Daten und in Python
Vektordaten sowie Rasterdaten einlesen, handhaben und visualisieren
Projektionen und Koordinatenreferenzsysteme
Fortgeschrittene Visualisierung von raumbezogenen Vektordaten (Hintergrundkarten, Choroplethenkarten)
Deterministische Operationen mit raumbezogenen Vektordaten (Verknüpfung, nearest Neighbor, Buffers)
Statistik raumbezogener Daten (räumliche Autokorrelation, Hotspots, …)
Einblick in Machine Learning: Clustering von raumbezogenen Daten

Beschreibung vom Kurs Python mit raumbezogenen Daten

Der zweitägige Kurs “Analyse und Visualisierung raumbezogener Daten in Python” erklärt die notwendigen Grundlagen für den Umgang mit raumbezogenen Daten in Python. Nach einer Einführung in die Grundlagen von Python und einem Einblick in die Welt der raumbezogenen Daten konzentriert sich dieser Kurs auf die praktischen Umsetzung von Visualisierungen und Analysen dieser Daten in Python. Als Grundlagen für die Manipulation der raumbezogenen Daten dienen die Python Pakete geopandas sowie pandas und numpy. Der Fokus liegt in der Arbeit mit Vektordaten, aber Rasterdaten und ihre Integration werden auch exemplarisch behandelt. So sind Teilnehmer auf breite Anwendungsfälle mit raumbezogenen Daten vorbereitet.

Ein Fokus dieses Kurses liegt darauf, die Teilnehmer zu befähigen, schnell und sicher mit raumbezogenen Daten in Python umzugehen. Dabei arbeiten wir in Jupyter Notebooks und üben alles an echten aktuellen Geodatenbeispielen. Die Teilnehmer lernen dabei mit verschiedenen Datenformaten, Projektionen, Koordinatensystemen, und Darstellungsweisen umzugehen. Der Kurs behandelt sowohl deterministische als auch statistische Analysen mit Geodaten und gibt zudem einen beispielhaften Einblick in die Anwendung von Machine Learning Verfahren mit diesen raumbezogenen Daten.

Was lernen Sie in diesem Seminar?

Nach diesem Kurs können die Teilnehmer selbstständig raumbezogene Daten in Vektor- und Rasterdarstellung in Python einlesen, manipulieren und visualisieren. Sie kennen verschiedene Arten der Visualisierung und visuellen Analyse dieser Daten (z.B. Choroplethenkarten). Zudem haben sie gelernt deterministische Operationen mit raumbezogenen Vektordaten (e.g. Buffer Analysen) in Python umzusetzen. Sie haben ein Verständnis für räumliche Autokorrelation entwickelt und können global und lokal dafür testen, um so etwa Hotspots oder räumliche Ausreißer zu identifizieren. Schließlich können sie mithilfe des k-mean-Verfahrens räumliche Daten clustern und die statistische Bedeutung dieser Cluster einordnen.

Rezensionen auf Google

5,0 ★★★★★ (30 Rezensionen)

Ich habe an einem einwöchigen Kurs über Deep Learning teilgenommen. Die Kursmaterialien sind sehr gut und vollständig ausgearbeitet. Außerdem haben das Skript und auch der Kurs insgesamt eine sehr gute Struktur. Der Tutor ist sehr engagiert …

Super Seminar ! (...) Die Inhalte waren sehr gut gegliedert und wurden absolut verständlich vermittelt. Insgesamt hat die Kombination aus theoretischen Inhalten und praktischen Übungen ein ganzheitliches Verständnis ermöglicht ...

Sehr gutes Verhältnis aus Information und Zeit, sehr gute persönliche Ansprache, sehr angenehmer Vortrag ohne viel Bla-Bla. Insgesamt absolut zufrieden.

Sehr hilfreicher Kurs um die praktischen basics von Künstlicher Intelligenz und neuronalen Netzwerken zu lernen. Theorie und Praxis in schneller Abwechslung um die gelernten Konzepte umzusetzen und zu üben ...

Ein toller Kurs, durchgeführt mit geballter Expertise und einer Engelsgeduld bei der Beantwortung von Fragen und Behebung von Problemen. Ich habe in diesen drei Tagen enorm viel gelernt, ...

Voriger

Alle Google Bewertungen

Kursinhalte

Organisatorisches

FAQ

Tag 1

Tag 2

09:00 – 09:15

Begrüßung und Organisatorisches

Vorstellungsrunde
Erwartungen der Teilnehmer

09:15 – 10:45

Einführung in raumbezogene Daten in Python

Einführung in Python: numpy, pandas, matplotlib
Einführung in raumbezogene Daten: Geospatial / GIS, Raster- vs. Vectordaten, Datenformate

10:45 – 11:00

Kaffeepause

11:00 – 12:30

Raumbezogene Vektordaten in Python

Geopandas: Vektordaten einlesen, handhaben und visualisieren
Shapefile, GeoJSON: Punkt-, Linien-, und (Multi-) Polygongeometrie berechnen und visualisieren

12:30 – 13:30

Mittagspause

13:30 - 15:00

Fortgeschrittene Manipulation von raumbezogenen Vektordaten

Projektionen und Koordinatenreferenzsysteme
Geoseries Attribute berechnen
Geodaten mit anderen Daten zusammenführen

15:00 – 15:15

Kaffeepause

15:15 – 17:00

Raumbezogene Rasterdaten in Python

Rasterio: Rasterdaten einlesen, handhaben und visualisieren
Rasterstats: Rasterdaten mit Vektordaten zusammenführen

09:00 – 09:15

Rückblick und offene Fragen vom Vortag

09:15 – 10:45

Fortgeschrittene Visualisierung von raumbezogenen Vektordaten

Contextily: Kachelkarten aus dem Internet als Basiskarte zu Geo-Visualisierungen
Choroplethenkarten

10:45 – 11:00

Kaffeepause

11:00 – 12:30

Deterministische Operationen mit raumbezogenen Vektordaten

räumliche Verknüpfung von Daten (spacial join)
Gruppierung (groupby)
Buffer Analyse, Nearest Neighbor Analyse

12:30 – 13:30

Mittagspause

13:30 - 15:00

Statistik raumbezogener Daten

Umgang mit räumlicher Autokorrelation

15:00 – 15:15

Kaffeepause

15:15 – 17:00

Machine Learning für raumbezogene Daten

Clustering von raumbezogenen Vektordaten
k-Means Verfahren & Interpretation

Zielgruppe für das Python Seminar über raumbezogene Daten

Der Kurs “Analyse und Visualisierung von raumbezogenen Daten in Python” ist ideal für Teilnehmer, die die Anwendung von Python erlernen möchten, um mit raumbezogenen Daten umzugehen. Vorerfahrung mit entweder raumbezogenen Daten oder mit Python ist hierbei empfohlen (s. Voraussetzungen).

Voraussetzungen für die Python Weiterbildung über raumbezogene Daten

Für den Kurs “Analyse und Visualisierung von raumbezogenen Daten in Python” empfehlen wir entweder Vorkenntnisse / Vorerfahrung mit raumbezogenen (geo / GIS) Daten oder mit Python, da das zügige Lerntempo für absolute Neulinge in beiden Bereichen oft nicht zu nachhaltigem Lernerfolg führt. Haben Sie bereits mit Geodaten gearbeitet oder verfügen über theoretisches Grundlagenwissen, benötigen Sie keine Vorkenntnisse in Python. Jedoch sollten Sie über Grundkenntnisse in einer anderen Programmiersprache besitzen, damit bekannt ist, was eine Variable, eine Funktion bzw. eine for-Schleife ist. Umgekehrt gilt für Vorerfahrene in Python: Sie brauchen keine Vorkenntnisse im Umgang mit Geodaten, aber einen sicheren Umgang mit Bibliotheken wie numpy, pandas und matplotlib.

Das Seminar beinhaltet Verfahren, die auf statistischen Annahmen aufbauen, wodurch grundlegende Kenntnisse der Statistik notwendig sind. Begriffe wie Mittelwert, Median, Standardabweichung oder Korrelation sollten Ihnen bekannt sein. Alle Teilnehmer der Schulung sollten zudem Vorerfahrung mit dem Umgang von Daten haben, z.B. in Excel oder einer BI-Software, um der Einführung in den Spezialfall raumbezogene Daten in Python folgen zu können.

Unterrichtssprache ist Deutsch (bei genügend Teilnehmern kann auch eine englische Version dieses Kurses angeboten werden). Die Folien sind auf Englisch, da Python und die Dokumentation der Pakete sowie Fachbegriffe Englisch sind. Ein fachlicher englischer Text sollte daher grob verstanden werden, um der Schulung folgen zu können.

Didaktischer Aufbau vom Seminar

Diese Schulung beinhaltet viele Programmieraufgaben. Die Teilnehmer lösen diese selbstständig mit der Unterstützung des Trainers mit Python mit dem Ziel, das Erlernte einzuüben und zu vertiefen. Individuelle Unklarheiten können vom Trainer direkt beantwortet werden.

Technik in dieser Fortbildung

Die Teilnehmer benötigen für die Übungsaufgaben Laptops. Wir empfehlen, Ihren eigenen Laptop mit der vorab installierten Software mitzubringen. Eine genaue Installationsanleitung für die Software wird Ihnen vor dem Seminar per E-mail zugesandt. Auf Anfrage stellen wir auch Schulungslaptops zur Verfügung.
Bitte prüfen Sie, ob Ihr Firmenlaptop Zugangsbeschränkungen im Internet hat. Die digitalen Unterlagen (Skript, Code, Dateien) werden im Seminar online zum Download zur Verfügung gestellt. Sie erhalten vor dem Seminar per E-Mail den Link zu einer Testdatei zum Download, um dies überprüfen zu können.
Sie sollten sich in firmenfremde WLAN-Netze registrieren können.
Als Backup Lösung ist es möglich, dass der USB Port bei Ihrem Laptop freigeschalten ist, um damit verwendete Dateien oder sonstige Unterlagen übertragen zu können.
Im Seminar wird das Betriebssystem Windows verwendet. Der Umgang mit Ihrem verwendeten Betriebssystem und Laptop sollte bekannt sein. Insbesondere sollten Sie ohne Schwierigkeiten Sonderzeichen auf der Tastatur finden (insbesondere bei Apple Geräten werden auf manchen Tastaturen nicht immer runde, eckige bzw. geschweifte Klammern dargestellt).

Gibt es ein Buch, welches den Kurs ergänzt?

Für das Seminar ist keine Zusatzlektüre notwendig. Grundsätzlich wird alles Wissen und Codebeispiele im Kurs so erklärt, dass es nicht nötig ist vor dem Kurs ein Buch zu lesen. Achten Sie lediglich darauf, dass Sie die Voraussetzungen (siehe Reiter Organisatorisches –> Voraussetzungen) erfüllen.

Bei Interesse, können Sie zur Vorbereitung gern mehr über die Grundlagen in der Programmiersprache Python lesen. Bspw. Paul Barry (2016) Head First Python, 2nd Edition. O’Reilly UK Ltd. oder Eric Matthes (2019) Python Crash Course, 2nd Edition. No Starch Press. Eine grundlegende Einführung in die Analyse raumbezogener Daten bietet etwa de Smith, Goodchild, & Longley (2018) Geospatial Analysis: A Comprehensive Guide. The Winchelsea Press.

In welchen Städten wird das Python Seminar angeboten?

Wir bieten den Kurs neben dem Live-Online Format auch in folgenden Städten an: Stuttgart, Ulm, Frankfurt, München, Hamburg, Berlin, Köln. Falls Sie die Schulung gerne in einer anderen Stadt oder direkt bei Ihnen im Unternehmen besuchen möchten, kontaktieren Sie uns gerne.

Ich möchte gerne viel coden und hands-on Lernen. Ist das der richtige Kurs?

Definitiv. Sie werden sich im Kurs wohlfühlen. Die erste von vier Lektionen am ersten Tag schafft die Grundlagen und sie können alles gleich selbst ausprobieren. Ab der zweiten Lektion ist mindestens die Hälfte der Zeit zum selbstständigen Üben, so dass Sie das Besprochene direkt coden können und selbst erkennen, wo noch Fragen bestehen, die Sie mit dem Dozenten direkt besprechen können.

Welche Lernmethoden werden verwendet?

Im Seminar enthält jeder Block (meist etwa 90 Minuten) eine oder mehrere Theorie- und Praxiseinheiten. Die Theorieeinheit dient dazu, Ihnen das nötige Wissen zu vermitteln, um die Herangehensweise zu verstehen und selbstständig arbeiten zu können. Der Fokus liegt auf der Praxis, d.h. dem Codeschreiben und selbstständigen Visualisieren. Fragen von Teilnehmern sind jederzeit möglich. Während der Praxiseinheit werden die Fragen individuell vom Dozenten beantwortet. Fragen von allgemeinem Interesse werden allen Teilnehmern erklärt. Die Folien, welche die Theorie und weitere Erklärungen vom Code enthalten erhalten Sie als pdf. Codebeispiele und zugehörige Visualisierungen liegen digital vor.

Wie sehen die Übungen für die Teilnehmer aus?

Die Übungen bestehen hauptsächlich aus selbstständigen Anwenden, d.h. Sie schreiben entweder kurze eigene Codebeispiele oder Sie werden gefragt, Codelücken in einem bestehenden Code zu ergänzen. Letzteres schult auch das Codeverstehen. Die Aufgaben und Beispiele sind so gewählt, dass die wichtigen Aufgaben von allen Teilnehmern in der verfügbaren Zeit gelöst werden können. Wir haben Coding Aufgaben unterschiedlichen Schwierigkeitsgrades vorbereitet, so dass schnellere Teilnehmer oder Teilnehmer mit Vorwissen zusätzlich an weiteren Aufgaben üben können.

Bildungsschecks

Wir akzeptieren den Bildungsscheck NRW und die Bildungsprämie.

Mehr Informationen

Stimmen bisheriger Teilnehmer

Play

Tycho Stange
Manager
KMPG

Play

Dr. Tina Miedtank
Postdoc
Rotterdam School of Management

Play

Sarah Wagner
Promotion in Astrophysik
Universität Würzburg

Play

Matteo Vandelli
Universität Hamburg

Play

Jakob

Play

Martin Schlederer
Universität Hamburg

Voriger

Mir hat die Schulung sehr gut gefallen, es war interessant zu sehen welche Möglichkeiten es mit Python so alles gibt und wie man es am Besten umsetzt. Ich hoffe Du kannst weiterhin viele Teilnehmer für dieses zukunftsträchtige Thema gewinnen. Alles Gute für Deine nächsten Schulungen.

Stefan KönigData Science in Python

Das Seminar ist gut strukturiert und ermöglicht auch Teilnehmern mit geringeren Vorkenntnissen einen guten Einstieg in die Materie. Übungsaufgaben zu den verschiedenen Einheiten ermöglichen es, das Erlernte zu festigen. Dabei bieten unterschiedliche Schwierigkeitsgrade der Übungen für alle Teilnehmer einen Mehrwert. (...) Jan erklärt gut verständlich, motiviert und sorgt für eine gute Stimmung in der Gruppe. Er hat für jeden Teilnehmer individuelle Tipps parat und macht Lust auf "mehr Python". (...)

Lea HartmannData Science in Python

Mir hat die Schulung sehr gut gefallen,Herr Köhler hat es geschafft die Inhalte der Veranstaltung verständlich zu vermitteln. Die praktischen Aufgaben sind sehr gut vorbereitet und unterstützen beim Verstehen des umfangreichen theoretischen Inhalts. es war interessant zu sehen welche Möglichkeiten es mit Python so alles gibt und wie man es am Besten umsetzt. Ich hoffe Du kannst weiterhin viele Teilnehmer für dieses zukunftsträchtige Thema gewinnen. Alles Gute für Deine nächsten Schulungen.

Bennet BrunkeMaschinelles Lernen ((Un-)Supervised)

Sehr gutes Seminar, Jan geht auf alle Fragestellungen ein und sucht weitergehende Antworten auch teilweise im Nachgang. Das Seminar ist sehr strukturiert, verständlich und nachvollziehbar. Der Einstieg in das Thema Python und Data Mining ist sehr gut gelungen.

Simon GoettlerData Science in Python

Weiterbildungen sind bis zu einem gewissen Grad ja immer Glückssache - die Agenda gibt allenfalls einen groben Überblick darüber, was einen erwartet. Das Seminar bei Jan Köhler war ausgezeichnet, eine hervorragende Mischung aus Theorie/Erklären und der praktischen Übung am Computer. Ich würde das Seminar bei der Bitkom Akademie nicht zuletzt auch wegen des Seminarleisters uneingeschränkt weiterempfehlen.

Andreas StreimData Science in Python

Es wurde auf alle Teilnehmer eingegangen. Alle Inhalte wurden gut vermittelt. Auch für Fragen, die nicht direkt zum Seminar gehörten war Zeit. Es hat Spaß gemacht und ich habe viel gelernt. Sobald es ein anschließendes Seminar gibt, bin ich dabei ...

Gerhard HeinzerlingData Science in Python

Das Seminar bot eine ausgewogene Mischung aus Theorie und Praxis. Durch die Übungsblöcke konnte man den Inhalt direkt ausprobieren und ein Gefühl für die Materie bekommen. Bei Fragen und Schwierigkeiten fand immer eine zeitnahe und ausführliche Unterstützung statt. Zudem ging der Seminarleiter kurzfristig auf die Anregungen und Wünsche der Teilnehmer ein. Insgesamt machte der Seminarleiter einen sehr kompetenten Eindruck und ich würde dieses Seminar ohne Einschränkungen weiter empfehlen.

Dr. André SteimersData Science in Python

Herr Köhler nimmt sich ausreichend Zeit für Fragen und Erläuterungen und kann diese aufgrund überzeugender Fachkompetenz sehr gut verständlich erklären. Die Inhalte der Veranstaltung waren gut gegliedert. Insgesamt mit einem guten Verhältnis aus Theorie und Praxis. Die organisatorischen Rahmenbedingungen waren sehr gut. Insgesamt würde ich Herr Köhler und die Veranstaltung mit 5/5 Sternen bewerten.

Bennet BrunkeData Science in Python

Eindrücke sind subjektiv und hängen von u. a. Vorkenntnissen sowie Erwartungen ab. Mir fiel es leicht, den Themen zu folgen, da sie m. M. n. didaktisch gut aufgebaut waren und klar präsentiert wurden. Die Kompetenz des Kursleiters war jederzeit spürbar. Auf Fragen (auch weiterführende) kamen hilfreiche Antworten. In diesem Kurs habe ich sowohl eine neue Sprache kennengelernt, als auch neue Methoden, die von dieser unterstützt werden.

Ali CavliData Science in Python

Das Seminar mit Jan Köhler hat mir sehr viel Spaß gemacht. Hr. Köhler vermittelt Inhalte klar und verständlich und geht immer auf die Fragen der Teilnehmer ein. Mir hat besonders der Mix aus Theorie und Praxis (in Form von Übungsaufgaben) gefallen. In den drei Seminartagen konnte ich sehr viel von ihm lernen. Die Lage und Ausstattung der Seminarräume waren ebenfalls sehr gut. Das Seminar bei Hr. Köhler würde ich wieder besuchen und kann es zu 100% empfehlen.

Tobias SchröderData Science in Python

Jan Köhler takes the time to respond to all questions and remarks from the participants and explains everything well understandable. The course offers a very good individual support during exercises due to the small learning groups.

Julia MildnerData Science in R

Das war ein super Workshop, bei dem man viel mitnehmen konnte. Sowohl von der Stoffvermittlung als auch von den Übungen war es super. Klar ist in der Kürze der Zeit recht kompakt, aber das Wissen was vermittelt wird, kann im Selbststudium weiter vertieft werden. Der Workshop bietet dazu die perfekte Grundlage. Es steht auch außer Frage, dass die Kompetenz und Know-How zur Vermittlung des Stoffes vorhanden sind.

Helmut E.Data Science in Python

Voriger

Warum bei Enable AI buchen

Leistungen im Kurs

Ihr Trainer für den Kurs

Dr. Sina Huber

Dr. Sina Huber absolvierte ihr Mathematikstudium mit Schwerpunkt in der Stochastik / mathematischen Statistik an der TU München (TUM) mit Auslandsaufenthalten in China und Singapur, wo sie ihre Abschlussarbeit im Bereich Machine Learning verfasste.

In ihrer Promotions- und Post-Doc-Zeit im Bereich Learning Sciences an der TUM mit Forschungsaufenthalt in Stanford (USA) brachte sie neben der Forschung viel Elan für die Lehre – von statistischen Grundlagen bis hin zu modernen Verfahren aus der aktuellen Forschung – auf und beriet Natur-, Geistes- und Sozialwissenschaftler in der Anwendung dieser statistischen Verfahren.

Seit 2020 berät und schult sie nun als Selbstständige im Bereich Statistik, Machine Learning und Künstliche Intelligenz.

Haben Sie noch Fragen

Jan Köhler - Gründer von Enable AI

Fragen zum Inhalt des Seminars?
Sind Sie sich unsicher, ob der Kurs Sie weder über- noch unterfordert?
Fragen, ob Sie das Wissen aus dem Kurs für Ihre tägliche Arbeit anwenden können?
weitere generelle Fragen zur Schulung?
einen Terminwunsch?

Rufen Sie uns an oder schreiben Sie uns eine Email

0711-96 88 15 53
info@enable-ai.de

Gerne können Sie auch direkt einen Termin mit uns vereinbaren oder eine Nachricht schreiben.

Inhouseschulung / Firmenschulung

Sie suchen einen Python Intensivkurs zur Analyse und Visualisierung von raumbezogenen als Firmen-Weiterbildung. Der Inhalt der Schulung kann individuell angepasst werden. In Abstimmung mit dem Dozenten können Sie Schwerpunkte der Firmen-Schulung setzen, Inhalte aus der offenen Schulung streichen und weitere Inhalte hinzufügen.

Vereinbaren Sie einen Termin für ein kostenloses Beratungsgespräch.

Die Firmen-Trainings des Python Kurses über (geospatial/GIS) Daten können Live-Online oder bei Ihnen vor Ort gehalten werden. Zudem können Sie auch in München, Stuttgart, Berlin, Hannover, Köln, Hamburg, Düsseldorf, Frankfurt, Dortmund, Münster, Essen, Bonn, Dresden, Leipzig, Bremen, Duisburg, Bochum, Wuppertal, Bielefeld, Mannheim, Freiburg, Brauschweig, Kiel oder Karlsruhe stattfinden.

Thematisch ähnliche
Schulungen

Auswahl ähnlicher Kurse wie die Analyse und Visualisierung von raumbezogenen Daten in Python Schulung

DSPy – Data Science Kurs Python

Python - 3 Tage

Kompakter Einstieg in die Programmiersprache Python für Datenanalyse und Data Science. Erläuterung der Grundlagen von Python, dem pandas DataFrame, Plotten und Einführung in das Maschinelle Lernen. Erste Machine Learning Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering). Verwendete Pakete: pandas, matplotlib, seaborn, scikit-learn.

DSBoot – Data Science Bootcamp Weiterbildung

Python - 5 Tage

Sie erlernen einen umfassenden Einstieg in die Programmiersprache Python mit Fokus auf Data Science und Machine Learning. Nach dem Seminar sind sie fähig einfache Datenanalysen in Ihrem Unternehmen durchzuführen und ihre erworbende Kenntnisse selbständig zu vertiefen. U.a. folgende Python Pakete werden erläutert: pandas, numpy, matplotlib, seaborn, scikit-learn, statsmodels.

DataVis – Datenvisualisierung Dashboards in Python

Python – 2 Tage

In dieser Schulung lernen Sie, wie Sie schnell und effektiv Ihre Daten und Ergebnisse mit Python visualisieren und mit anderen teilen können. Auch die interaktive Visualisierung wird behandelt. Verwendete Python Pakete sind: pandas, matplotlib, plotly, rise, ipywidgets, voila, streamlit.