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

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.
R – 3 Tage
Das Seminar vermittelt einen kompakten Einstieg in die Programmiersprache R für Datenanalyse und Data Science. Sie lernen das beliebte Paket data.table, Plotten mit ggplot2 und eigene Funktionen schreiben. Der Einstieg in Machine Learning und die Umsetzung von bekannten Algorithmen (u.a. Lineare Regression, Entscheidungsbaum, K-Means Clustering) ist ein weiterer Schwerpunkt.
Python – 2 Tage
Aufbauend auf Python Grundkenntnissen, werden supervised und unsupervised Machine Learning Algorithmen in scikit-learn und die wichtigsten Schritte beim Trainieren der Algorithmen behandelt. Folgende Algorithmen werden erläutert: Lineare & Logistische Regression, Entscheidungsbaum, Ensembles, Neuronales Netz (MLP), K-Nearest Neighbor, K-means, DBSCAN Clustering.
Kundenbewertungen & Erfahrungen zu Enable AI. Mehr Infos anzeigen.

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 Informationen

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 Informationen

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 Informationen

Weiterbildung 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

Zusätzlich zu den offenen Seminaren organisiert Enable AI auf Anfrage auch In-House Data Science Fortbildungen. Sie nennen uns die Aufgaben, die für Ihr Unternahmen relevant sind, und wir stellen Ihnen aus unserem Portfolio von Schulungsmaterialien ein passendes Seminar zusammen. Wenn gewünscht beraten wir Sie auch gerne, welche Data Mining-Tools für Sie besonders geeignet sind. Auf diese Weise bieten Sie ihren Mitarbeitern eine qualitativ hochwertige Weiterbildung, von der Ihr Unternehmen langfristig profitieren wird. Ihre Anfragen beantworten wir gerne.

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 Informationen

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 Informationen

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 Informationen
Weitere Schulungsorte
Enable AI bietet Schulungen in Data Science in folgenden Städten an: Frankfurt, München und Stuttgart.

Das sagen bisherige Teilnehmer

Weitere Seminare und Termine

Die nächsten Kurse

Übersicht über die kommenden Schulungen in Machine Learning, Deep Learning, Data Science und Statistik.

(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.

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.

(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.

(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) 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
Enable AI bietet Schulungen in Data Science in folgenden Städten an: Frankfurt, München und Stuttgart.

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.

Frankfurt, Stadt für Kurse und Schulungen von Enable AI

Data Science: Ein Werkzeugkasten

Für die Prozesse Analyse, Aufbereitung und Präsentieren stehen dem Datenwissenschaftler ein breites Angebot von Tools zu Verfügung. Die Programmiersprachen Python und R dürften dabei die wichtigsten Werkzeuge eines Datenwissenschaftlers sein. Da diese beiden Sprachen für all die genannten Prozesse am häufigsten verwendet werden, sind sie im Bereich der Data Analytics so grundlegend und unverzichtbar wie das Zwiebelschneiden in der Küche. Ebenso grundlegend ist der Umgang mit dem Programm Matlab, da es besonders in der alltäglichen Praxis von Unternehmen verwendet wird. Dank graphischen Tools ist es heutzutage nicht mal mehr unbedingt notwendig, über Programmierkenntnisse zu verfügen. Auch wenn diese graphische Tools in der Analyse nicht dieselbe Flexibilität verfügt wie eigene Programmierungen, können mit ihrer Hilfe Standartaufgaben bereits schnell und einfach bearbeitet werden. Beispiele für diese Tools sind unter anderem der SPSS Modeler, Knime, Weka oder RapidMiner. Die verschiedenen Tools unterscheiden sich in der Lizenzgebühr, manche bieten freie Varianten an oder eine open source Variante.

Übersicht unserer Kurse

Unsere Seminare in Frankfurt für Data Analytics und Data Mining schließen neben den theoretischen Grundlagen auch die wichtigsten Algorithmen ein. Hier ein Blick in unser Kursportfolio:

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.

Innere einer HDD Festplatte. Data Science braucht Daten.

Schulungsort Live Online

Für unsere Live Online Schulungen verwenden wir die Software Zoom.

Durch die Möglichkeiten die Teilnehmer in Breakout Räumen aufzuteilen und auf die Bildschirme der einzelnen Teilnehmer zu schauen, ist es für uns möglich, Sie auch in einem Live Online Seminar individuell zu betreuen.

Etwa eine Wochen vor Beginn der Schulung erhalten Sie von uns den Zugangslink zu Zoom per Email zugesandt.

Schulungsraum in München

Die Seminarräume in München befinden sich 900m von der S-Bahn Haltestelle Donnersbergerbrücke. Von dort sind es 6 min bis zum Hauptbahnhof München.

Adresse Seminarraum München

Regus
Landsberger Straße 155
80687 München