Maschinelles Lernen ((Un-)Supervised)

About this course

Maschinelles Lernen ((Un-)Supervised)

in Python mit scikit-learn

Termin OrtPreiseBelegung 
27.04.2020 - 28.04.2020München1.190 €


Über den Kurs

Dauer: 3 Tage

Gruppengröße: 3-10

Level: Anfänger in R mit Programmiererfahrung in einer anderen Sprache

Anteil Coding: 60%

Sprache: R

Bibliotheken: data.table, ggplot2, caret, rpart, stats, randomForest,…

Skript: gedruckt & .pdf (Theorie, Aufgaben & Lösungen)

Auf einen Blick

Wichtige Datenstrukturen

data.table

Statistiken berechnen

Eine eigene Funktion schreiben

Grafiken mit ggplot2 erstellen

Daten einlesen und schreiben (csv, xls, .RData)

Machine Learning Einführung

Train-Test-Split, Kreuzvalidierung

Lineare Regression, Entscheidungsbaum, K-Means

Schalen mit verschiedenen Beeren. Maschinelles Lernen kann gruppieren.
Kursbeschreibung

Eine wesentliche Algorithmen Klasse der Künstlichen Intelligenz ist Maschinelles Lernen (ML). Machine Learning gliedert sich grob in zwei Bereiche: supervised und unsupervised Learning (überwachtes und unüberwachtes Lernen).

Supervised Learning umfasst all die Algorithmen, die durch (meist vom Menschen) gelabelte Daten trainiert werden, um gewisse “Aufgaben” zu erlernen. Bei gelabelten Daten gibt man dem Algorithmus die Zielvariable mit, die dieser erlernen soll. Beispiele hierfür sind die Klassifikation, welchen Fehler ein Bauteil aufweist oder die Vorhersage, wie viel Umsatz  ein Kunde voraussichtlich generiert.

Unsupervised Algorithmen dagegen benötigen keine gelabelte Daten, sondern versuchen in den vorhandenen Daten beispielsweise Gruppen oder Muster zu erkennen, z.B. zur Kundengruppierung (verschiedene Kunden können dann anders im Marketing behandelt werden). Unsupervised Learning liefert Hinweise, welche Muster in Daten vorhanden sein könnten – es werden jedoch keine vorgegebenen Muster (wie Bauteil defekt – nicht defekt) erlernt.

Die im Seminar verwendete Programmiersprache Python ist sehr verbreitet im Maschinellen Lernen (und auch im Deep Learning). Das Modul scikit-learn umfasst zahlreiche Machine Learning Algorithmen.

Was lernen Sie in diesem Seminar?

Die Algorithmen werden vornehmlich mit dem Python Modul scikit-learn umgesetzt. Das Modul StatsModels wird auch für die logistische Regression verwendet, um einen Einblick in eine weitere bekannte Bibliothek für Machine Learning zu erhalten.

Der Fokus liegt auf supervised Algorithmen. Hierbei werden mehrere Maschinelle Lernen Algorithmen theoretisch erläutert und praktisch in Python umgesetzt: Lineare Regression, logistische Regression, Entscheidungsbaum, Ensemble-Methoden (Random-Forest und AdaBoost), K-Nearest Neighbor und Neuronale Netzwerke (Multi-Layer Perceptron, MLP).

Das Splitting der Daten in Trainings und Test Daten und Cross Validation (Kreuzvalidierung) werden erläutert (beides Konzepte zum Erkennen von Overfitting). Zudem wird die Hyperparametersuche und die wichtigsten Metriken zur Bestimmung der Algorithmusgüte erläutert.

Im unsupervised Learning wird das Clustering mit dem  K-means Algorithmus und DBSCAN behandelt.

Nach dem Seminar haben Sie die Struktur von Modul scikit-learn verstanden und können selbständig erste Machine Learning Aufgaben bearbeiten. Zudem haben Sie die Fähigkeit, Ihre Programmierkenntnisse in Python selbständig zu erweitern, um weitere Machine Learning Algorithmen, welche in scikit-learn vorhanden sind, umzusetzen.

10:00-10:15
Begrüßung und Organisatorisches
  • Akkreditierung und Ausgabe der Seminarunterlagen
  • Vorstellungsrunde & Erwartungshaltung der Teilnehmer

 

10:15-11:45


Grundlegendes über Maschinelles Lernen
  • Einführung in Maschinelles Lernen
  • Definition Supervised – Unsupervised Learning (überwachtes – unüberwachtes Lernen)
  • Overfitting, Datasplitting (Training vs. Testdaten)

 

11:45-12:00
Kaffeepause

 

 

12:00-13:30


Lineare Regression
  • Erläuterung des Algorithmus
  • Datasplitting (Training und Test Daten)
  • Umsetzung der linearen Regression in Python (scikit-learn)
  • Ergebnissvalidierung
13:30-14:30
Mittagspause
14:30-16:00


Logistische Regression (mit StatsModels)
  • Erläuterung des Algorithmus (von linearer zur logistischen Regression)
  • Datasplitting (Training und Test Daten)
  • Umsetzung der Logistische Regression in Python
  • Ergebniss- und Modellvalidierung (AIC, BIC, Konfusionsmatrix)
  • Interpretation der Koeffizienten (odds-ratio)
  • ROC Curve und AUC (area under the curve)

 

16:00-16:15
Kaffeepause
16:15-18:00


Entscheidungsbaum
  • Erläuterung des Algorithmus
  • Datasplitting (Training und Test Daten)
  • Umsetzung des Entscheidungsbaums in Python (scikit-learn)
  • Anpassen der Hyperparameter
  • Ergebnissvalidierung (Konfusionsmatrix, accuracy)
  • Entscheidungsbaum für die Regression
09:00-09:15
Rückblick auf Tag 1

 

09:15-10:45


Ensemble Methods
  • Ein Ensemble aus verschiedenen Algorithmen in scikit-learn umsetzen
  • Random Forest zur Klassifizierung und zur Regression
  • Ada Boost zur Klassifizierung und zur Regression
  • Hyperparameter anpassen
  • Ergebnissvalidierung

 

10:45-11:00
Kaffeepause

 

11:00-12:30


Weitere wichtige Algorithmen
  • K-Nearest Neighbor
  • Einfaches neuronales Netz (Multi-Layer Perceptron, MLP)
  • Umsetzung der Algorithmen in Python
  • Ergebnissvalidierung
12:30-13:30
Mittagspause
13:30-15:15


Hyperparameter Tuning und Kreuzvalidierung
  • Automatisierte Hyperparametersuche in Algorithmen
  • Kreuzvalidierung (Cross-Validation)
  • Erklärung der beiden Konzepte und Umsetzung in scikit-learn

 

15:15-15:30
Kaffeepause
15:30-17:00


Algorithmen zum Clustering
  • Grundlagen von K-means Clustering und DBScan
  • Cluster-Ergebnisse interpretieren
  • Vergleich von Cluster-Ergebnissen verschiedener Algorithmen

Zielgruppe

Dieser Kurs mit Python richtet sich an data scientists, angehende Machine Learning engineers, Datenanalysten, Busines Intelligence Analysts, Data Analysts, o.ä. welche die Programmiersprache Python für Data Science/Data Mining vertiefen möchten. Vorhandene Programmierkenntnisse in Python werden erweitert, um Machine Learning mit scikit-learn eigenständig umsetzen zu können.

Voraussetzungen

Dieser Python Kurs setzt Programmiererfahrung in Python voraus. Notwendig ist Vorerfahrung in der Arbeit mit Python und mit Daten. Die Inhalte des Kurses „Data Science mit Python“ geben einen Überblick, welche Vorerfahrung ein gutes Mitkommen im Seminar ermöglicht. Vor allem: pandas Data.Frames (fehlende Werte ergänzen, Daten einlesen), Bibliotheken installieren und laden, eigene Funktionen schreiben, Kenntnis verschiedener Datenstrukturen (list, dictionary, tuple).

Notwendig sind außerdem grundlegende Vorkenntnisse im Bereich der Statistik (Begriffsdefinitionen wie bspw. Mittelwert, Median, Standardabweichung, Normalverteilung), Kenntnisse grundlegender mathematischer Symbole und Begriffe (Summenzeichen, Integral, Funktion, Ableitung, Exponentialfunktion) und Kenntnis der booleschen Algebra mit den logischen Operatoren (UND, ODER, NICHT).

Das Seminar wird auf Deutsch gehalten. Englischkenntnisse (lediglich im Verstehen von englischen Texten) sind sehr empfehlenswert, da die Programmiersprache, Fachbegriffe und die Dokumentationen im Internet auf Englisch sind. Aus diesem Grund sind auch die erstellten Folien in der Schulung auf Englisch.

Didaktischer Aufbau des Seminars

Dieses Seminar ist sehr praxisorientiert. Die Teilnehmer arbeiten direkt und selbstständig mit der Programmiersprache Python in der Entwicklungsumgebung Spyder, so dass das Erlernte direkt geübt und vertieft werden kann. Der Trainer moderiert dabei verschiedene Aufgaben und begleitet die Teilnehmer durch die einzelnen Lehreinheiten.

Technik

  • 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).

 Für das Seminar ist folgendes Buch als Ergänzung hilfreich: Sarah Guido: Introduction to Machine Learning with Python. Grundsätzlich wird alles Wissen und Codebeispiele im Kurs so erklärt, dass es nicht nötig ist vor dem Kurs ein Buch zu lesen. Sie sollten lediglich darauf achten, dass Sie die Voraussetzungen (siehe Reiter Organisatorisches –> Voraussetzungen) erfüllen.

Wir bieten den Kurs in folgender Stadt an: Stuttgart. Falls Sie die Schulung gerne in einer anderen Stadt oder direkt bei Ihnen im Unternehmen besuchen möchten, kontaktieren Sie uns gerne.

Definitiv. Sie werden sich im Kurs wohlfühlen. Die erste von vier Lektionen am ersten Tag schafft die Grundlagen und sie können den Editor 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.

Im Seminar enthält jeder Block (meist über etwa 90 Minuten) eine oder mehrere Theorie- und Praxiseinheiten. Die Theorieeinheit dient dazu, Ihnen das nötige Wissen zu vermitteln, um die Übungsaufgaben zu verstehen und selbstständig lösen zu können. Wir verzichten auf langatmige, wissenschaftliche Theorieeinheiten und konzentrieren uns auf den theoretischen Stoff der zu einem besseren Verständnis beiträgt. Der Fokus liegt auf der Praxis, d.h. dem Codeschreiben und Lösen von kleinen Verständnisaufgaben zum Lernstoff. 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 und in gedruckter Version. Codebeispiele und die Musterlösung der Übungsaufgaben liegen digital vor.

Die Übungen bestehen hauptsächlich aus Coding Aufgaben, d.h. Sie schreiben entweder kurze Codebeispiele oder Sie werden gefragt, Codelücken in einem bestehenden Code zu ergänzen. Letzteres schult auch das Codeverstehen. Die Aufgaben 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. Desweiteren gibt es für manche Kapitel kurze Kontrollfragen zum Theorieteil.

Sie sollten sicher gehen, dass ihr Laptop den Kriterien unter dem Reiter Organisatorisches –> Technik erfüllt. Manche Teilnehmer bringen statt des Firmenlaptops einen privaten Laptop zur Schulung, da diese meist keine Beschränkungen bei der Installation von Software oder den Zugang zum Internet aufweisen. Bitte beachten Sie dann, dass Sie sich mit dem Betriebssystem und der Tastatur Ihres mitgebrachten Laptops auskennen.

Falls Sie sich nicht sicher sind, ob Sie die Voraussetzungen für die Schulung erfüllen, welche im Reiter Organisatorisches->Voraussetzungen beschrieben sind, kontaktieren Sie uns gerne. Uns ist es ein Anliegen, dass jeder Teilnehmer den für Ihn passenden Kurs bucht. Damit stellen wir sicher, dass die Gruppe vom Vorwissen homogen ist und die Geschwindigkeit und der Schwierigkeitsgrad für alle angemessen ist.

Da es nicht immer ganz leicht ist selbst einzuschätzen, ob man die Voraussetzungen für den Kurs erfüllt können Sie uns gerne bei Fragen kontaktieren. Gemeinsam stellen wir fest, ob Sie mit unserem Angebot an Data Science, Machine Learning bzw. Deep Learning Seminaren erreichen können, was Sie anstreben. Wenn nicht, haben wir vielleicht den ein oder anderen Tipp, wie Sie ohne uns ein Stück schlauer im Bereich Künstlicher Intelligenz werden.

Ja. Vor jedem Kurs bekommen die Teilnehmer das Skript als pdf. Am ersten Kurstag  wird dies zusätzlich in gedruckter Form zur Verfügung gestellt und die Datenbeispiele, Codebeispiele und -lösungen als Dateien bereitgestellt.

○ Unsere Trainer sind Experten aus der Praxis, welche durch Beiträge in Forschungspublikationen, Industrieprojekten oder Patenten die Theorie kennen und wissen, was für die Umsetzung relevant ist. Wir schulen Ihnen Wissen und Fähigkeiten, welche Sie direkt in ihrem Arbeitsalltag umsetzen können. Wir versuchen so oft als möglich realistische Daten und Code-beispiele zu verwenden, damit Sie idealerweise schon während des Seminars den häufigsten Stolpersteinen begegnen und nicht erst hinterher in ihrer Arbeit.

○ Unsere Kurse sind komplett vorbereitet. Es ist eine klare Struktur vorhanden und die Inhalte werden auf Folien erklärt, welche für Sie als Nachschlagemöglichkeit dienen. Darüber hinausgehende Fragen werden am Flipchart erarbeitet oder, falls wir eine Frage nicht sofort oder nur unzureichend am Flipchart erklären können, erstellen wir Ihnen Unterlagen und versenden diese im Nachgang. Wir bieten keine Seminare an, welche aus gemeinsamen Live-Coding Sessions bestehen, in denen die Teilnehmer den Code vom Dozenten in ihrem Laptop abtippen. Wir nutzen Ihre Zeit und wollen Ihnen bestmöglich den Inhalt in der Tiefe vermitteln, der Sie befähigt, nach dem Seminar eigenständig Ihr Wissen für Ihre Arbeit zu erweitern. 

○ Bisherige Kursteilnehmer sind sehr zufrieden mit unseren Schulungen, wie Sie an unseren ProvenExpert https://www.provenexpert.com/enable-ai/ Bewertungen sehen können. 

○ Unsere Kurse sind praxisorientiert mit vielen Übungsaufgaben (und Lösungen), so dass Sie die typischen Fehler schon während des Seminars machen können (und hoffentlich danach vermeiden :). Durch unsere kleine Gruppen von max. 10 Teilnehmern stellen wir sicher, dass wir individuell auf Ihre Fragen eingehen können. Wir aktualisieren stets unsere Schulungen, fügen z.B. weitere Beispiele ein an Stellen, an denen vermehrt Verständnisschwierigkeiten aufgetreten sind oder schieben Passagen in den Anhang, die für Teilnehmer nicht relevant waren. Zudem achten wir darauf, dass die verwendeten Codebeispiele auf den aktuellen Paketversionen basieren.

Unser Ziel ist, dass Sie zufrieden mit unseren Leistungen sind und im Seminar viel lernen können. Falls Sie dennoch  in einem mehrtägigen Seminar bis zum Ende des ersten Seminartags merken, dass dieses Seminar nicht Ihren Erwartungen entspricht, sprechen Sie bitte mit dem Kursleiter am ersten Seminartag und wir erstatten Ihnen die volle Kursgebühr inkl. Anreise (30 Cent / km bzw. Bahnfahrt 2. Klasse).

Um die Schulung zu buchen, füllen Sie das Buchungsformular aus, welches nach Klicken auf “Kurs buchen” bzw. “Buchen” erscheint. Falls Sie das Buchungsformular nicht ausfüllen können oder unsicher sind, wie Sie das Buchungsformular ausfüllen sollen, können Sie uns auch eine Nachricht an die info@enable-ai.de schicken.

Nach der Buchung des Kurses auf der Webseite, erhalten Sie zuerst eine automatisch generierte Email mit den von Ihnen angegebenen Buchungsdaten. Ihre Buchung wird innerhalb von 3 Werktagen bearbeitet und eine Bestätigung  wird an Ihre angegebene E-Mail Adresse versendet. Falls Sie keine Email nach der Buchung erhalten, überprüfen Sie bitte Ihren Spamfolder und / oder schreiben Sie uns eine Nachricht an die info@enable-ai.de

Um Ihnen einen Platz zu sichern, sollten Sie innerhalb von 4 Wochen nach Erhalt der Buchungsbestätigung / Rechnung die Kursgebühr auf das in der Buchungsbestätigung beschriebene Konto überweisen. Falls Sie bereits wissen, dass Ihr Unternehmen ggfs. länger brauchen wird für eine Überweisung, vermerken Sie dies bitte im “Anmerkung zu Ihrer Buchung” Feld. Wir berücksichtigen dies natürlich.

 Sie können die Buchung spätestens 2 Wochen vor Kursbeginn kostenfrei stornieren. Bis einer Woche vor Kursbeginn fallen 50% Stornokosten an. Danach ist die gesamte Gebühr zzgl. MwSt zu zahlen. Sie haben bei Stornierung aber dann die Möglichkeit zu einem anderen Termin, an dem das Seminar bereits stattfindet, kostenfrei bzw. nach Bezahlung des Differenzbetrages, teilzunehmen. Die Widerrufsbelehrung finden Sie unter https://www.enable-ai.de/widerrufsrecht/.

Sie können jederzeit kostenfrei bzw. nach Bezahlung des Differenzbetrages auf einen anderen Kurs umbuchen.

Die Schulung findet ab 3 Teilnehmern statt. Die Maximalanzahl beträgt 10 Teilnehmer. 

Ist ihr Wunschtermin bzw. -ort nicht verfügbar, kontaktieren Sie uns. Bei genügend großem Interesse an einem gewissen Zeitraum oder Ort versuchen wir, einen weiteren Termin anzubieten.

Selbstverständlich kann ein(e) KollegIn teilnehmen. Bitte teilen Sie uns den Namen und Email Adresse ihrer/s KollegIn mit, damit wir die Zugangsdaten für das Seminar per E-Mail versenden und die Teilnahmebestätigung abändern können.

Unser Ziel ist, Ihnen Fachwissen zu vermitteln mit Experten aus dem Bereich Machine Learning, Deep Learning bzw. Data Science. Wir wollen, dass Sie zufrieden sind und sich voll auf das Erlernen neuer Inhalte konzentrieren können. Alles was Sie daran, auch im Vorfeld, hindert, passt nicht zu uns.

Was uns auszeichnet

Unsere Leistungen

Trainer aus der Praxis

Unsere exzellent bewerteten Trainer kommen alle aus der Praxis und vermitteln praxisnahes, aktuelles Wissen auf leicht verständliche Art und Weise mit dem Ziel, dass Sie in Ihrer Arbeit das Wissen direkt anwenden können.

Icon Hands on Keyboard

Hands-on Schulungen

Unsere Kurse sind hands-on Trainings, mit vielen Coding Übungen (inkl. digitalen Musterlösungen). Wir wissen, dass man durch praktische Beispiele am meisten lernt.

Individuelle Schulungen

Wenn es im Interessen der Schulungsgruppe ist, ändern wir das Seminar nach Ihren Wünschen ab bzw. integrieren Ihre Daten nach Rücksprache in unseren Kurs.

Kleine Gruppen

Wir garantieren eine Gruppengröße von maximal 10 Teilnehmern. Im Durchschnitt besuchen 6 Teilnehmer einen Kurs.

Fundiertes Wissen

Unser Team hat fundierte Kenntnisse durch Studium, Promotion und Berufserfahrung in den Bereichen Mathematik, Informatik, Statistik und Machine/Deep Learning.

Aktualisierte Schulungen

Sollten Sie eine unsere Schulungen zweimal besuchen, wird diese nicht identisch sein. Wir verbessern unsere Schulungen auf Grund Ihres Feedbacks und passen sie an die aktuelle Themen in Forschung und Entwicklung an.

Was uns auszeichnet

Unsere Garantien

Durchführungsgarantie

Wir garantieren die Durchführung eines Seminars schon ab drei Teilnehmern. Es kommt sehr selten vor, dass eine Schulung diese Anzahl unterschreitet.

Zufriedenheitsgarantie

Sollten Sie in einem mehrtägigen Seminar bis zum Ende des ersten Seminartags merken, dass dieses Seminar nicht Ihren Erwartungen entspricht, sprechen Sie bitte mit dem Kursleiter am ersten Seminartag und wir erstatten Ihnen die volle Kursgebühr inkl. Anreise (30 cent / km bzw. Bahnfahrt 2. Klasse). Ohne Wenn und Aber.

Wissensgarantie

Falls Ihr(e) MitarbeiterIn unerwarteterweise innerhalb eines halben Jahres nach dem Besuchen eines Kurses für mehr als 6 Monate (Krankheit, Elternzeit, Sabbatical,...) ihr Unternehmen verlässt, darf kostenlos ein Kollege innerhalb eines Jahres ab dem Verlassen des Kollegens ein stattfindendes Seminar mit demselben Inhalt besuchen.

Thematisch ähnliche Schulungen

Wir bieten Seminare im Bereich Machine Learning, Deep Learning, Statistik / Data Science an.



Get started

Die nächsten Schulungen

Übersicht über die kommenden Schulungen in Machine Learning, Deep Learning, Data Science und Statistik.
Festplatte wird mit Pinzette bearbeitet. Data Science benötigt Daten.

Data Science in Python

(3 Tage) Kompakter Einstieg in Python für Datenanalyse und Data Science. Grundlagen über pandas DataFrame, Grafiken erstellen, Machine Learning und erste Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering). Verwendete Pakete: pandas, seaborn, scikit-learn. ...
02 Mrz - 04 Mrz
09:00 - 17:00
Stuttgart
Innere einer HDD Festplatte. Data Science braucht Daten.

Data Science in R

(3 Tage) Einführung in die Datenanalyse und Machine Learning mit R. Wichtige Datenstrukturen in R, das Paket data.table für effiziente Datenanalyse. Statistiken berechnen. Eigene Funktionen schreiben. Plotten mit ggplot2. Erste ML-Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering). ...
16 Mrz - 18 Mrz
09:00 - 17:00
Stuttgart
Verschwommener Laptopbildschirm mit Code ähnlich zum Python Einführungs Seminar Code.

Python Grundlagen

(3 Tage) Einführung in die Programmiersprache Python für Programmierer mit Grundkenntnissen einer anderen Programmiersprache. Vorstellung häufig gebrauchter Python Bibliotheken und Einführung in die Objektorientierte Programmierung. ...
20 Apr - 22 Apr
09:00 - 17:00
Stuttgart
Keine Veranstaltung gefunden
Weitere anzeigen