Unserer Data Science Kurse in Frankfurt: Lernen Sie Data Mininig und den Umgang mit Big Data
Die Data Mining Kurse vermitteln Ihnen das Wissen für Datenanalyse. Mit Hilfe von Data Science Techniken lernen Sie datenbasierte Entscheidungen zu treffen
Daten sind das Öl des 21. Jahrhunderts
Daten sind die Bausteine des 21. Jahrhunderts: für moderne Unternehmen bergen das größte Potenzial für Gewinne und Optimierungen, wenn sie richtig analysiert und verarbeitet werden. Dafür ist meistens die Unterstützung von Data Science-Experten, sogenannten Datenwissenschaftlern, notwendig. Ein Umstand, den viele Unternehmen aktuell noch unterschätzen.
Was ist Data Science?
Data Science, Datenwissenschaften auf Deutsch, studiert Daten und wandelt diese in Erkenntnisse, Muster und Wissen um. Folgende Aufgaben bzw. Prozesse fallen in das Feld der Datenwissenschaften: Daten erfassen, sammeln, speichern, analysieren und sie in Präsentationen konsumerfreundlich vorstellen. Datenwissenschaftler wollen Informationen aus diesen Daten gewinnen. Die Datenbanken großer Unternehmen sind eine wahre Schatzkammer, die ihren tatsächlichen Wert erst mit der Unterstützung erfahrener Data Scientists offenbaren: sie stellen relevante Fragen, sammeln die notwendigen Daten und fassen die Erkenntnisse in möglichen Maßnahmen zusammen.
Data Science Kurse im Detail
Sie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenSie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenSie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenWeiterbildung in Data Mining in Frankfurt
Mit seinen Finanzinstituten und dem Internationalen Flughafen direkt vor den Toren der Stadt ist Frankfurt das New York Deutschlands. Neben dem Großteil des Reiseverkehrs fließen auch eine Menge Daten durch die hessische Metropole: Der Internetknoten DE-CIX in Frankfurt hat weltweit den höchsten Datendurchsatz. Das Rhein-Main-Gebiet hat alles, was nötig ist, um zu den nationalen und internationalen Topregionen der Data Science-Branche zu zählen.
Data Science Schulung im Herzen von Frankfurt
Frankfurt ist nur ein möglicher Standort, an dem Enable AI offene Data Mining Kurse anbietet. Bei der Buchung unserer Kurse achten wir auf gute Erreichbarkeit, sodass die Seminare zentral in der Nähe des Bahnhofes ausgerichtet werden. Auch mit Öffentlichen Verkehrsmitteln sind die Kurse damit leicht zu erreichen. Für Details beachten Sie bitte die Angabe des entsprechenden Kurses.
Wann die nächsten Schulungen in Frankfurt stattfinden, entnehmen Sie der Seminarsbeschreibung.
Individuelle In-House Data Science Schulung in Frankfurt
Data Science Kurse im Detail
Sie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenSie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenSie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenWeitere Schulungsorte
Das sagen bisherige Teilnehmer
Weitere Seminare und Termine
Die nächsten Kurse
(1 Tag) In diesem Seminar bieten wir eine umfassende Einführung und die Grundlagen von ChatGPT und Prompt Engineering. Mit Hintergrundinformationen zu Modell und Daten, die hinter ChatGPT stehen. Anwendungsfälle umfassen Marketing, Analyse von Texten, Klassifikation, Übersetzung, u.a.
Natural Language Processing Seminar. 1. Tag – Machine Learning Verfahren: Linguistische Vorverarbeitung, Textklassifikation bzw. Text Clustering (Python Module spacy bzw. scikit-learn). 2. Tag – Neuronale Netze: Wortvektoren, TextKlassifizikation mit LSTM, Sequenz-zu-Sequenz-Modelle (z.B. für Übersetzung), Transferlernen mit vortrainierten Modellen. (Keras/Tensorflow)
(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.
Dieser praxisorientierte Kurs zeigt Ihnen wie Sie große Datenmengen (Big Data) mit PySpark (Python und Apache Spark) verarbeiten und analysieren können. Neben einer ausführlichen Einführung in PySpark wird die Integration von dem Python Datenanalyse Module Pandas in PySpark behandelt. Zudem werden die Möglichkeiten der Anwendung von Machine Learning in PySpark erläutert.
In dieser Schulung lernen Sie, wie Sie Zeitreihen Daten in Python analysieren und visualisieren können. Neben klassischen Methoden zur Zeitreihenvorhersage (ARMA) werden auch Maschinelle Lernen Methoden behandelt (RNN, LSTM). Verwendete Python Module sind: pandas, matplotlib, plotly, datetime, statsmodels, sklearn, keras.
(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).
3 Tages Kurs (R) mit einer knappen Einführung in die Statistik. Der Fokus liegt auf der Umsetzung der intuitiv erklärten Theorie in R, um Statistiken auf Daten eigenständig berechnen zu können und Daten mit dem data.table Paket analysieren zu können.
(3 Tage) Einführung in DL mit Schwerpunkt Bilddaten. Allgemeine Theorie der Neuronalen Netze und Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Use-Cases aus dem Image Processing: Bildklassifizierung, Objektdetektierung mit Bounding Boxes, Semantische Segmentierung.
(5 Tage) Einstieg in die Programmiersprache Python mit Fokus auf Data Science / Machine Learning. Mit u.a. folgenden Algorithmen: Regression, Random Forest, Clustering. Verwendete Pakete: pandas, numpy, matplotlib, seaborn, scikit-learn, statsmodels.
(2 Tage) Aufbauend auf Kenntnissen in Python, werden supervised und unsupervised Machine Learning Algorithmen in scikit-learn umgesetzt und die wichtigsten Schritte beim Trainieren der Algorithmen erklärt, u.a.: Regression, Entscheidungsbaum, Ensembles, Neuronales Netz, K-Means, DBSCAN Clustering.
(3 Tage) Grundlagen von Deep-Learning. Theorie der Neuronalen Netze und praktische Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Einführung in CNNs, RNNs und LSTMs zur Bearbeitung von Bild-, Text- und Sequenzdaten. Training bei wenig Daten. Bekannte Netzwerkarchitekturen.
(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.
(1 Tag) In diesem Seminar bieten wir eine umfassende Einführung und die Grundlagen von ChatGPT und Prompt Engineering. Mit Hintergrundinformationen zu Modell und Daten, die hinter ChatGPT stehen. Anwendungsfälle umfassen Marketing, Analyse von Texten, Klassifikation, Übersetzung, u.a.
Natural Language Processing Seminar. 1. Tag – Machine Learning Verfahren: Linguistische Vorverarbeitung, Textklassifikation bzw. Text Clustering (Python Module spacy bzw. scikit-learn). 2. Tag – Neuronale Netze: Wortvektoren, TextKlassifizikation mit LSTM, Sequenz-zu-Sequenz-Modelle (z.B. für Übersetzung), Transferlernen mit vortrainierten Modellen. (Keras/Tensorflow)
Dieser praxisorientierte Kurs zeigt Ihnen wie Sie große Datenmengen (Big Data) mit PySpark (Python und Apache Spark) verarbeiten und analysieren können. Neben einer ausführlichen Einführung in PySpark wird die Integration von dem Python Datenanalyse Module Pandas in PySpark behandelt. Zudem werden die Möglichkeiten der Anwendung von Machine Learning in PySpark erläutert.
(3 Tage) Grundlagen von Deep-Learning. Theorie der Neuronalen Netze und praktische Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Einführung in CNNs, RNNs und LSTMs zur Bearbeitung von Bild-, Text- und Sequenzdaten. Training bei wenig Daten. Bekannte Netzwerkarchitekturen.
(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.
(3 Tage) Einführung in DL mit Schwerpunkt Bilddaten. Allgemeine Theorie der Neuronalen Netze und Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Use-Cases aus dem Image Processing: Bildklassifizierung, Objektdetektierung mit Bounding Boxes, Semantische Segmentierung.
(5 Tage) Einstieg in die Programmiersprache Python mit Fokus auf Data Science / Machine Learning. Mit u.a. folgenden Algorithmen: Regression, Random Forest, Clustering. Verwendete Pakete: pandas, numpy, matplotlib, seaborn, scikit-learn, statsmodels.
(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.
(2 Tage) Aufbauend auf Kenntnissen in Python, werden supervised und unsupervised Machine Learning Algorithmen in scikit-learn umgesetzt und die wichtigsten Schritte beim Trainieren der Algorithmen erklärt, u.a.: Regression, Entscheidungsbaum, Ensembles, Neuronales Netz, K-Means, DBSCAN Clustering.
(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.
(3 Tage) Einführung in DL mit Schwerpunkt Bilddaten. Allgemeine Theorie der Neuronalen Netze und Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Use-Cases aus dem Image Processing: Bildklassifizierung, Objektdetektierung mit Bounding Boxes, Semantische Segmentierung.
(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.
(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).
3 Tages Kurs (R) mit einer knappen Einführung in die Statistik. Der Fokus liegt auf der Umsetzung der intuitiv erklärten Theorie in R, um Statistiken auf Daten eigenständig berechnen zu können und Daten mit dem data.table Paket analysieren zu können.
Dieser praxisorientierte Kurs zeigt Ihnen wie Sie große Datenmengen (Big Data) mit PySpark (Python und Apache Spark) verarbeiten und analysieren können. Neben einer ausführlichen Einführung in PySpark wird die Integration von dem Python Datenanalyse Module Pandas in PySpark behandelt. Zudem werden die Möglichkeiten der Anwendung von Machine Learning in PySpark erläutert.
(3 Tage) Grundlagen von Deep-Learning. Theorie der Neuronalen Netze und praktische Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Einführung in CNNs, RNNs und LSTMs zur Bearbeitung von Bild-, Text- und Sequenzdaten. Training bei wenig Daten. Bekannte Netzwerkarchitekturen.
Natural Language Processing Seminar. 1. Tag – Machine Learning Verfahren: Linguistische Vorverarbeitung, Textklassifikation bzw. Text Clustering (Python Module spacy bzw. scikit-learn). 2. Tag – Neuronale Netze: Wortvektoren, TextKlassifizikation mit LSTM, Sequenz-zu-Sequenz-Modelle (z.B. für Übersetzung), Transferlernen mit vortrainierten Modellen. (Keras/Tensorflow)
(2 Tage) Aufbauend auf Kenntnissen in Python, werden supervised und unsupervised Machine Learning Algorithmen in scikit-learn umgesetzt und die wichtigsten Schritte beim Trainieren der Algorithmen erklärt, u.a.: Regression, Entscheidungsbaum, Ensembles, Neuronales Netz, K-Means, DBSCAN Clustering.
(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.
(3 Tage) Einführung in DL mit Schwerpunkt Bilddaten. Allgemeine Theorie der Neuronalen Netze und Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Use-Cases aus dem Image Processing: Bildklassifizierung, Objektdetektierung mit Bounding Boxes, Semantische Segmentierung.
(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).
3 Tages Kurs (R) mit einer knappen Einführung in die Statistik. Der Fokus liegt auf der Umsetzung der intuitiv erklärten Theorie in R, um Statistiken auf Daten eigenständig berechnen zu können und Daten mit dem data.table Paket analysieren zu können.
Dieser praxisorientierte Kurs zeigt Ihnen wie Sie große Datenmengen (Big Data) mit PySpark (Python und Apache Spark) verarbeiten und analysieren können. Neben einer ausführlichen Einführung in PySpark wird die Integration von dem Python Datenanalyse Module Pandas in PySpark behandelt. Zudem werden die Möglichkeiten der Anwendung von Machine Learning in PySpark erläutert.
(2 Tage) Aufbauend auf Kenntnissen in Python, werden supervised und unsupervised Machine Learning Algorithmen in scikit-learn umgesetzt und die wichtigsten Schritte beim Trainieren der Algorithmen erklärt, u.a.: Regression, Entscheidungsbaum, Ensembles, Neuronales Netz, K-Means, DBSCAN Clustering.
(5 Tage) Einstieg in die Programmiersprache Python mit Fokus auf Data Science / Machine Learning. Mit u.a. folgenden Algorithmen: Regression, Random Forest, Clustering. Verwendete Pakete: pandas, numpy, matplotlib, seaborn, scikit-learn, statsmodels.
Natural Language Processing Seminar. 1. Tag – Machine Learning Verfahren: Linguistische Vorverarbeitung, Textklassifikation bzw. Text Clustering (Python Module spacy bzw. scikit-learn). 2. Tag – Neuronale Netze: Wortvektoren, TextKlassifizikation mit LSTM, Sequenz-zu-Sequenz-Modelle (z.B. für Übersetzung), Transferlernen mit vortrainierten Modellen. (Keras/Tensorflow)
(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.
(3 Tage) Grundlagen von Deep-Learning. Theorie der Neuronalen Netze und praktische Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Einführung in CNNs, RNNs und LSTMs zur Bearbeitung von Bild-, Text- und Sequenzdaten. Training bei wenig Daten. Bekannte Netzwerkarchitekturen.
(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.
Weitere Schulungsorte
Der Beruf des Data Scientist
Der Data Scientist verfügt über ein breites Spektrum an Fähigkeiten und kann mit allen Tools des Data Minung umgehen. Der Umgang mit Datenbanken, die Analyse und Bereinigung von Daten und deren graphische Darstellung, sowie die Anwendung von Algorithmen brauchen alle Datenwissenschaftler, wobei je nach Tätigkeitsfeld andere Schwerpunkte gefragt sind. Zu diesen Schwerpunkten zählt das sogenannte domain knowledge, fachbezogenes Spezialwissen für die Felder, auf denen die Data Analytics angewendet werden. Neben der Analyse und der Verarbeitung von Daten zäglen auch ihre publikumsfreundliche Präsentation und Vorstellung von Lösungen zu den Aufgaben des Datenwissenschaftlers.
Er oder sie unterstützt den Prozess der Entscheidungsfindung, indem er/sie aus Daten Muster und Informationen erarbeitet. Heutzutage sind diese die Grundlage von Fortschritt. Dabei gibt es verschiedene Möglichkeiten, Muster zu erkennen: mit rein deskriptive Analysen oder von Algorithmen im Machine Learning unterstützt. Letztere sind in der Lage, selbst zu lernen und auf eigene Faust, Muster zu identifizieren und Vorhersagen zu treffen: Wie lange wird ein Bauteil noch funktionieren? Ist es an der Zeit, es auszuwechseln? Die erarbeiteten Erkenntnisse dienen als Grundlage für Handlungsempfehlungen, die mit dem Fachbereich oder dem Management diskutiert und optimiert werden.
Data Scientist sind dabei in allen Branchen gerne gefragt: das Feld des Data Mining entwickelt sich schneller weiter als neue Fachkräfte ausgebildet werden können. Zudem wachsen die Datenvorräte moderner Unternehmen im digitalen Zeitalter mit schwindelerregendem Tempo, besonders im Gesundheitswesen, der Logistik, dem Marketing, bei Banken und Versicherungen.
Aufgrund des Mangels auf dem Arbeitsmarkt, erwartet gut ausgebildete Datenwissenschaftler ein überdurchschnittlich hohes Gehalt. Ein Jahresgehalt von 55.000 Euro ist durchaus üblich, kann aber aufgrund verschiedener Faktoren schwanken: Berufserfahrung, Branche oder Standort.
Data Science: Ein Werkzeugkasten
Übersicht unserer Kurse
Kurs: Data Science in R (Grundlagen von R für Data Analytics)
In drei Tagen Kurs erarbeiten wir mit Ihnen die Grundlagen der Programmiersprache R und führen Sie in die Basics der Data Science und des Data Mining ein. Am Ende des Seminars können Sie Funktionen schreiben, Daten einlesen und Kontrollflüssen in R implementieren, sowie ggplot2 plotten und Daten bereinigen. Wir trainieren mit Ihnen Algorithmen, berechnen ihre Qualitätskriterien und führen Train-Tests durch. Die bekannten Algorithmen des Data Mining wie lineare Regression, logistische Regression, Entscheidungsbaum, Random Forest, k-Means-Clustering zählen ebenfalls zu den Inhalten des Kurses. Ziel der Schulung ist, die verschiedenen Algorithmen zu unterscheiden und in Codes in R zu schreiben.
Kurs: Data Science Intensivseminar
Data Science, Data Mining, Data Analytics – Sie verlieren ein bisschen den Überblick in diesem Bereich? Wir können helfen. Dieses Intensivseminar verschafft Ihnen Klarheit. Wir führen Sie in Python ein, die beliebteste Programmiersprache in den Bereichen Data Science und Data Mining. Wir zeigen Ihnen, wie Daten aus verschiedenen Fermaten und Datenbanken importiert, sowie Plotdaten mit Seaborn / Matplotlib oder Daten mit Pandas bereinigt werden. Unsere Trainer stellen Ihnen die wichtigsten Datentypen in Python vor. Zudem werden Sie die Nutzung einer Scikit-Learning-Bibliothek zu nutzen. Am Ende des Seminars können Sie bereits Ihre ersten eigenen Funktionen schreiben.
Kurs: Data Science in Python
Unsere dreitägige Python Data Science Schulung richtet sich gezielt an Python-Einsteiger, die bereits andere Programmiersprachen gelernt haben. Wir zeigen Ihnen die Umsetzung von Algorithmen in Python. Außerdem werden Anwendungen wie Pandas, Matplotlib, Seaborn und Scikit-Learn Bibliotheken besprechen. Das Ziel: neben den ersten eigenständigen Datenanalysen und hierfür Data Mining Algorithmen einzusetzen.