Data Scientist Fortbildung - Bootcamp in Python

Intensive Weiterbildung in Data Science mit Python und Machine Learning mit pandas & scikit-learn

(*) zzgl. MwSt  (**) inkl. MwSt
Termin (5 Tage) Ort Belegung Preise
Mo 11.07 -
Fr 15.07.22
Live-Online
Zoom Meeting

FINDET
STATT
2.350,00  (*)
2.796,50  (**)
Mo 28.11 -
Fr 02.12.22
Live-Online
Zoom Meeting
2.350,00  (*)
2.796,50  (**)
Inhouse-/Firmenschulung:
Kundenbewertungen & Erfahrungen zu Enable AI. Mehr Infos anzeigen.

Kurs auf einen Blick

Über die Schulung

  • Dauer: 5 Tage
  • Gruppengröße: 3-10
  • Level: Anfänger mit Programmiererfahrung
  • Anteil Coding: 60%
  • Sprache: Python
  • Bibliotheken: pandas, numpy, matplotlib, seaborn, scikit-learn
  • Skript: .pdf (Theorie, Aufgaben & Lösungen)

Ihr Trainer für den Kurs

Schulung auf einen Blick

  • Wichtige Datenstrukturen
  • pandas Data.Frame
  • Statistiken berechnen
  • Eine eigene Funktion schreiben
  • Grafiken mit seaborn erstellen
  • Daten einlesen und schreiben (csv, xls, pickle)
  • Machine Learning, Train-Test-Split, Kreuzvalidierung
  • Entscheidungsbaum, K-Means, DBSCAN, AdaBoost
  • Random Forest, SVM, Neuronales Netz, Ensembles

Weiterbildung zum Python Data Scientist

Dieses einwöchige Data Science Bootcamp fängt bei den notwendigen Grundlagen von Python für die Datenanalyse (data analytics) an und es werden alle Voraussetzungen unterrichtet, um am Ende Machine Learning Algorithmen mit scikit-learn zu programmieren. In diesem Intensivseminar lernen Sie die Grundlagen eines Data Scientist.

Bei den Algorithmen wird das notwendige theoretische Verständnis geschult. Das Ziel liegt auf der praktischen Umsetzung der Datenanalyse und Algorithmen in Python. Am Ende des data scientist Seminars können Sie selbstständig erste Datenanalysen umsetzen, Machine Learning Algorithmen einsetzen und deren Ergebnisse interpretieren.

Das Paket pandas ist ein Schwerpunkt, da dieses Paket Anwendung findet im Data Science, Data Engineering und Data Mining. Die wichtigsten Schritte für die Datenaufbereitung werden eingeübt. Zur Erstellung von Plots und Grafiken wird das Paket seaborn verwendet mit einer kurzen Einführung in matplotlib. Matplotlib überzeugt durch die Fülle an Möglichkeiten einen Plot anzupassen, seaborn durch die Einfachheit auch komplexere Plots mit wenig Code zu erstellen. Es werden die Grundlagen in numpy gelehrt, um dieses wichtige Paket im Data Mining einsetzen zu können.

Nach den Grundlagen für Python (Datenstrukturen, eigene Funktionen schreiben) und der Erläuterung von pandas für die Auswertung von Daten, erfolgt der nächste Schritt zum Data Scientist in der Weiterbildung: Machine Learning Algorithmen werden erläutert und wir coden diese selbst in Python mit dem Paket scikit-learn. Hierbei wird eine Auwahl der bekanntesten Algorithmen erklärt (Lineare und logistische Regression, Entscheidungsbaum, Random Forest, SVM, Ensemble Learning, AdaBoost, K-Means, DBSCAN Clustering).

Ein wichtiger Bestandteil des data scientist Kurs ist das eigenständige Arbeiten und Lösen von Übungsaufgaben, so dass Sie mit Hilfe des Trainers das Besprochene direkt in der Praxis umsetzen und in Python programmieren können.

Die Schulung ist auch geeignet um im Bildungsurlaub Python zu erlernen.

  • Einwöchiges Data Science Bootcamp mit notwendigen Grundlagen von Python für die Datenanalyse (data analytics) bis zu Machine Learning Algorithmen mit scikit-learn
  • Ziel des Intensivseminars ist die praktischen Umsetzung der Datenanalyse und Algorithmen in Python
  • Die Schulung integriert das eigenständige Arbeiten und Lösen von Übungsaufgaben
  • Wir arbeiten mit folgenden kostenlosen Python Paketen
    • Das Paket pandas ist ein Schwerpunkt dieses data scientist Seminars.
    • Erstellung von Plots und Grafiken mit seaborn und matplotlib
    • Grundlagen in numpy
    • Machine Learning Algorithmen mit scikit-learn (Auwahl der bekanntesten Algorithmen: Lineare und logistische Regression, Entscheidungsbaum, Random Forest, SVM, Ensemble Learning, AdaBoost, K-Means, DBSCAN Clustering
  • Die Schulung ist auch geeignet um im Bildungsurlaub Python zu erlernen.

Was lernen Sie in der Fortbildung Data Science?

Sie erhalten einen Überblick über die im Data Science, Data Mining, Machine Learning und Deep Learning populäre Programmiersprache Python. Wir verwenden die Anaconda Distribution (nach eigenen Angaben “The World’s most popular data science platform“) und als Entwicklungsumgebung/IDE wird spyder verwendet.

Nach dieser einwöchigen Weiterbildung zum data scientist, welche die Grundlagen von Data Engineering und Data Mining beinhaltet, können Sie Daten aus verschiedenen Formaten und von Datenbanken (mit den Paketen SQLAlchemy und pandas) einlesen, Daten mit seaborn / matplotlib plotten bzw. Daten mit pandas bereinigen (fehlende Werte ersetzen, Zeilen und Spalten anpassen, neue Spalten erzeugen) und Berechnungen mit numpy durchführen.
Sie kennen die wichtigsten Datentypen in Python, können eigene einfache Funktionen schreiben und kennen die Umsetzung von Control Flows (For-Schleife, If-Else). Nach Absolvierung des Data Scientist Kurs verstehen Sie das Grundkonzept eines pandas DataFrames und können damit Data Wrangling und Data Cleaning durchführen. Die Vorverarbeitung von Daten (data preprocessing) für die Umsetzung von Algorithmen mit scikit-learn wird angesprochen.

Die Einteilung von Machine Learning in supervised-unsupervised (überwachtes-unüberwachtes Lernen) und Reinforcement Learning ist Ihnen bekannt und Sie können mit scikit-learn eigenständig Algorithmen in Python trainieren, validieren, einen Train-Test Datensplit durchführen und Gütekriterien zur Beurteilung eines Algorithmus berechnen und interpretieren.
Sie wissen, was Overfitting (Überanpassung) bedeutet, wie dies nach dem Training eines Algorithmus identifiziert werden kann und welche Anpassungen es bei einzelnen Algorithmen gibt, um Overfitting zu verringern.

Ein großer Schwerpunkt im Kurs liegt auf der Weiterbildung im Machine Learning, wofür scikit-learn benutzt wird.  Die Umsetzung und das intuitive Verständnis der bekannten Algorithmen des Maschinellen Lernens ist im Fokus. Die Fortbildung umfasst Algorithmen für die Regression (Lineare Regression, Random Forest, Neural Network, Decision Tree), für die Klassifikation (Logistische Regression, Enscheidungsbaum, Random Forest, AdaBoost, K-Nearest Neighbor) und dem Clustering (K-Means, DBSCAN). Desweiteren wird das Erstellen eines Ensembles erläutert und die Konzepte von Grid-Search zur automatischen Optimierung von Hyperparametern und die Umsetzung einer Kreuzvalidierung (Cross-Validation) an Stelle eines klassischen Train-Test-Datensplits.

Am Ende der fünftägigen Data Science Weiterbildung ist die Einstiegshürde für die Benutzung von Python für Machine Learning, Data Science, Data Mining, Business Intelligence bzw. Data Analytics genommen und erweiterte Grundlagen in scikit-learn gelernt, so dass Sie eigenständig Ihr Wissen nach dem Seminar Stück für Stück erweitern können. Der Schwerpunkt während des Seminars liegt auf der selbstständigen Umsetzung auf Ihrem Laptop mit aktiver Unterstützung des Dozenten, so dass sie viel Praxiswissen als angehender Data Scientist lernen können.

  • Überblick über die im Data Science, Data Mining, Machine Learning und Deep Learning populäre Programmiersprache Python.
  • Sie erlernen Daten aus verschiedenen Formaten und von Datenbanken (mit den Paketen SQLAlchemy und pandas) einlesen,
  • Daten mit seaborn / matplotlib plotten
  • Daten mit pandas bereinigen (fehlende Werte ersetzen, Zeilen und Spalten anpassen, neue Spalten erzeugen)
  • Berechnungen mit numpy durchzuführen.
  • wichtigsten Datentypen in Python,
  • eigene einfache Funktionen schreiben
  • Control Flows (For-Schleife, If-Else).
  • Sie verstehen das Grundkonzept eines pandas DataFrames und können damit Data Wrangling und Data Cleaning durchführen.
  • Die Vorverarbeitung von Daten (data preprocessing) für die Umsetzung von Algorithmen mit scikit-learn wird angesprochen.

Im Weiterbildung im Machine Learning Teil erlernen Sie folgende Dinge:

  • Die Einteilung von Machine Learning in supervised-unsupervised (überwachtes-unüberwachtes Lernen) und Reinforcement Learning
  • scikit-learn um eigenständig Algorithmen in Python zu trainieren, validieren, einen Train-Test Datensplit
  • Erkennung und Verringerung von Overfitting (Überanpassung) beim Training eines Algorithmus
  • das intuitive Verständnis der bekannten Algorithmen des Maschinellen Lernens
    • für die Regression (Lineare Regression, Random Forest, Neural Network, Decision Tree),
    • die Klassifikation (Logistische Regression, Enscheidungsbaum, Random Forest, AdaBoost, K-Nearest Neighbor)
    • dem Clustering (K-Means, DBSCAN).
    • das Erstellen eines Ensembles wird erläutert
    • Konzepte von Grid-Search zur automatischen Optimierung von Hyperparametern und die Umsetzung einer Kreuzvalidierung (Cross-Validation) an Stelle eines klassischen Train-Test-Datensplits.
Rezensionen auf Google
Ilias Seifie
Weiterlesen
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 …
Aylin Keskin
Weiterlesen
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 ...
Marvin
Weiterlesen
Sehr gutes Verhältnis aus Information und Zeit, sehr gute persönliche Ansprache, sehr angenehmer Vortrag ohne viel Bla-Bla. Insgesamt absolut zufrieden.
Martin Schlederer
Weiterlesen
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 ...
Alicia S.
Weiterlesen
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
Nächster
Kursinhalte

Organisatorisches

FAQ
Tag 1
Tag 2
Tag 3
Tag 4
Tag 5
09:00 – 09:15
Begrüßung und Organisatorisches
  • Vorstellungsrunde
  • Erwartungen der Teilnehmer
09:15 – 10:45
Grundlagen von Python
  • Neue Pakete installieren
  • PyCharm als Entwicklungsumgebung/IDE
  • Funktionen und Methoden
  • Wichtige Aspekte von Python im Vergleich zu anderen Programmiersprachen
10:45 – 11:00
Kaffeepause
11:00 – 12:30
Grundlegende Datenstrukturen
  • Überblick über die basic data types (string, integer, float, NaN)
  • Erläuterung der wichtigsten Datenstrukturen: list, tuple, dictionary
  • List comprehension
12:30 – 13:30
Mittagspause
13:30 - 15:00
Das Paket pandas – Data.Frame
  • Struktur (Zeilen, Spalten) eines DataFrames
  • Auswahl einer Zeile/Spalte
  • Zeilen/Spalten erstellen, löschen, ändern
  • Boolean indexing: eine logische Abfrage zur Selektion von Zeilen
  • Daten zusammenfassen, um einen Überblick zu erhalten.
15:00 – 15:15
Kaffeepause
15:15 – 17:00
Berechnen von Statistiken direkt im pandas Data.Frame
  • Einfache Statistiken direkt auf einem Data.Frame (Mittelwert, Min, Max, Summe, Median, Varianz,…)
  • Zusammenfassen und Filtern von Daten
  • Fehlende Werte ersetzen
  • Kreuztabelle (Kontingenztafel)
09:00 – 09:15
Rückblick und offene Fragen von Tag 1
09:15 – 10:45
Control Flows
  • Eine eigene Funktion schreiben
  • Default Parameter in einer Funktion setzen: position arguments und keyword arguments
  • For Schleifen
  • If-Else Bedingungen
  • List comprehension mit if-else
10:45 – 11:00
Kaffeepause
11:00 – 12:30
Datenvisualisierung mit seaborn / matplotlib
  • Die wichtigsten Grundlagen von matplotlib
  • Achsen-Beschriftung, Legende, Titel ändern
  • Einen Plot speichern
  • In seaborn Linienplot, Boxplot, Histogram, Scatterplot, Barplot erstellen
  • Darstellungen (Größe der Datenpunkte, Farbe, Gruppierung) mit einer Variable variieren oder festsetzen
12:30 – 13:30
Mittagspause
13:30 - 15:00
Daten einlesen und schreiben
  • Das Arbeitsverzeichnis in Python und der IDE spyder setzen
  • Ein CSV bzw. Excel einlesen und schreiben
  • Von einer URL einlesen
  • Überblick über nützliche Parameter
  • Lesen und Schreiben vom Python Format pickle
  • Umgang mit großen Daten
15:00 – 15:15
Kaffeepause
15:15 – 17:00
Datenbank
  • Das Paket SQLAlchemy, um mit einer Datenbank zu verbinden
  • Einzelne Tabellen extrahieren bzw. schreiben
  • SQL Befehle an die Datenbank schicken, um Daten zu ändern
  • Datenabfragen per SQL Statement direct aus Python heraus
09:00 – 09:15
Rückblick und offene Fragen von Tag 2
09:15 – 10:45
Numpy
  • Ein numpy array und dessen Attribute
  • Arrays erstellen und mit Daten befüllen (bzw. mit Zufallszahlen)
  • Mathematische Operationen mit Numpy
  • Funktionen der Statistik umsetzen
10:45 – 11:00
Kaffeepause
11:00 – 12:30
Datenaufbereitung
  • Daten für die Analyse normalisieren
  • Fehlende Werte ergänzen
  • Dummy Variablen erstellen bzw. One-Hot Encoding
12:30 – 13:30
Mittagspause
13:30 – 15:00
Überblick über Machine Learning
  • Einführung in Machine Learning (ML)
  • Anwendungsbeispiele von ML
  • Künstliche Intelligenz – Machine Learning – Deep Learning
  • Unterschied Supervised – Unsupervised Learning (überwachtes – unüberwachtes Lernen)
  • Overfitting und Train-Test-Split
15:00 – 15:15
Kaffeepause
15:15 – 17:00
Lineare Regression mit scikit-learn
  • Aufteilung der Daten in Test-Train, ein Model erstellen und validieren
  • Grundlagen des Algorithmus
  • Umsetzung in Python mit scikit-learn
  • Validieren der Ergebnisse (mean squared error)
09:00 – 09:15
Rückblick und offene Fragen von Tag 3
09:15 – 10:45
Logistische Regression mit statsmodels
  • Statsmodels – ein Paket für statistische Modelle und Analysen
  • Aufteilung der Daten in Test-Train, ein Model erstellen und validieren
  • Grundlagen des Algorithmus
  • Validieren der Ergebnisse
10:45 – 11:00
Kaffeepause
11:00 – 12:30
Entscheidungsbaum mit scikit-learn
  • Aufteilung der Daten in Test-Train, ein Model erstellen und validieren
  • Grundlagen des Algorithmus
  • Validieren der Ergebnisse (u.a. confusion matrix, sensitivity, accuracy)
  • Anpassen von Hyperparametern im Training
12:30 – 13:30
Mittagspause
13:30 – 15:15
Ensembles (+ Ada-Boost)
  • Ein ensemble mit scikit-learn erstellen und trainieren
  • Bagging (Bootstrap Aggregating)
  • Boosting
  • Grundlagen des AdaBoost Algorithmus
  • AdaBoost für Klassifikation und Regression
  • Umsetzung in Python mit scikit-learn
  • Validieren der Ergebnisse
15:15 – 15:30
Kaffeepause
15:30 – 17:00
Random Forest
  • Aufteilung der Daten in Test-Train, ein Model erstellen und validieren
  • Grundlagen des Algorithmus
  • Validieren der Ergebnisse
  • Out-of-bag error
  • Random Forest für die Regression
  • Anpassen von Hyperparametern im Training
09:00 – 09:15
Rückblick und offene Fragen von Tag 4
09:15 – 10:45
Einblick in weitere Algorithmen
  • Grundlagen der folgenden Algorithmen, sowohl für Klassifikation, als auch für Regression:
    • K-nearest Neighbor
    • Einfaches Neuronales Netzwerk (Multi-Layer Perceptron) in scikit-learn
  • Umsetzen der Algorithmen mit scikit-learn
  • Validieren der Ergebnisse
10:45 – 11:00
Kaffeepause
11:00 – 12:30
Grid Search & Cross Validation
  • Cross-validation (Kreuzvalidierung). Idee und Umsetzung in scikit-learn
  • Grid Search: Automatische Suche nach den besten Hyperparametern. Umsetzung in Python
  • Wie trainiere ich nach der Kreuzvalidierung das finale Modell?
12:30 – 13:30
Mittagspause
13:30 – 15:15
Clustering (K-Means, DBSCAN)
  • Ein Cluster-Model erstellen und validieren
  • Grundlagen der Algorithmen
  • Umsetzung in Python mit scikit-learn
  • Validieren der Ergebnisse (Sillhouette Score, Calinski-Harabasz)
15:15 – 15:30
Kaffeepause
15:30 – 17:00
Abschließende Aspekte, Fallbeispiel zum Wiederholen
  • Wann wähle ich welchen Algorithmus?
  • Welche Entscheidungsgrenzen bilden Algorithmen (intuitive 2D Darstellung)?
  • Fallbeispiel, um eigenständig das Gelernte zu wiederholen und auftretende Fragen zu besprechen

Zielgruppe für das Data Science Bootcamp

Die fünftägige Weiterbildung zum data scientist ist für Personen, die Python programmieren lernen möchten, um Datenanalysen durchführen zu können. Neben der Einführung in Python beinhaltet dieser Kurs Machine Learning Algorithmen. Der Kurs ist eine kompakte Schulung, welche die Inhalte des dreitägigen Data Science Kurses und der zweitägigen Vertiefung in Machine Learning abdeckt.

Voraussetzungen für die Weiterbildung im Data Mining

Unser Data Science Bootcamp benötigt keine Vorkenntnisse in Python. Es ist jedoch notwendig, dass Teilnehmer in einer anderen Programmiersprache Grundkenntnisse besitzen und wissen, was im Programmieren eine Variable ist, was bedeutet, einen Wert einer Variablen zuzuweisen oder was eine Funktion bzw. eine for-Schleife ist.

Basiswissen in Statistik sind für die Data Mining Weiterbildung notwendig, d.h. es sollte bekannt sein, was ein Mittelwert, Median, Normalverteilung oder Standardabweichung ist. Da gelegentlich mathematische Formeln verwendet werden, sollten Symbole der Mathematik, wie das Integral, das Summenzeichen oder Konzepte wie eine Funktion, eine Ableitung oder die Exponentialfunktion bekannt sein. Wir verwenden auch logische Operatoren, so dass Kenntnis der booleschen Algebra mit den Operatoren Nicht-Und-Oder sehr hilfreich sind.

Teilnehmer haben typischerweise bereits mit Daten in einer BI-Software oder in Excel gearbeitet und kennen daher einfache Berechnungen, welche auf Daten ausgeführt werden können (z.B. Spaltensumme ermitteln).

Schulungssprache ist Deutsch. Da die Dokumentation von Python und die Fachbegriffe im Machine Learning meist auf Englisch sind, werden die Folien im Seminar auf Englisch gehalten. Grundlegende Englischkenntnisse beim Lesen von Texten sind daher sehr hilfreich.

Didaktischer Aufbau vom Python Data Scientist Kurs

Schwerpunkt unserer intensiven Data Science Weiterbildung ist die Praxis. Die Teilnehmer bearbeiten selbstständig Übungsaufgaben in Python mit der Entwicklungsumgebung Spyder, um die neuen Konzepte vertiefen zu können. Auftretende Unklarheiten oder Fragen können vom Trainer direkt adressiert werden, wodurch die Teilnehmer unterstützt und ein hoher Lernerfolg ermöglicht wird.

Technik in der Fortbildung Data Science / Data Mining

  • 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 das Data Science Bootcamp unterstützt?

Für das Seminar sind folgende Bücher als Ergänzung hilfreich:

Mark Graph, Python For Data Science: The Ultimate Guide to Learn Data Analysis, Visualization and Mining with Pandas, NumPy, IPython and Scikit-Learn;

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.

In welchen Städten wird die python data scientist Weiterbildung angeboten?

Wir bieten den Kurs in folgender Stadt an: Stuttgart, München, Frankfurt, Hamburg, Berlin. 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 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.

Welche Lernmethoden werden in der Data Science Schulung verwendet?

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.

Wie sehen die Übungen für die Teilnehmer aus?

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.

Data Science Bootcamp im Detail
YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Bildungsschecks
Bildungsscheck Nordrhein Westfalen
Bildungsprämie
Wir akzeptieren den Bildungsscheck NRW und die Bildungsprämie.
Warum bei Enable AI buchen
Leistungen im Kurs
Durchführungsgarantie

Die Trainer, die in exklusiver Kooperation mit Enable AI zusammen arbeiten, 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.

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 es wird Ihnen die volle Kursgebühr inkl. Anreise (30 cent / km bzw. Bahnfahrt 2. Klasse) erstattet. 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.

Hands-on Schulungen

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

Individuelle Schulungen

Wenn es im Interessen der Schulungsgruppe ist, ändert der Trainer das Seminar nach Ihren Wünschen ab bzw. integriert Ihre Daten nach Rücksprache in den Kurs.

Aktualisierte Schulungen

Sollten Sie eine Schulung zweimal besuchen, wird diese nicht identisch sein. Ihr Feedback wird berücksichtigt und die Schulungen werden an die aktuelle Themen in Forschung und Entwicklung angepasst.

Trainer aus der Praxis

Die Trainer, die in exklusiver Kooperation mit Enable AI zusammen arbeiten, 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.

Kleine Gruppen

Garantierte maximale Gruppengröße von 10 Teilnehmern. Im Durchschnitt besuchen 6 Teilnehmer einen Kurs.

Fundiertes Wissen

Vor der Zusammenarbeit werden unsere Trainer geprüft. Alle besitzen fundierte Kenntnisse, u.a. durch Studium, Promotion und Berufserfahrung in den Bereichen Mathematik, Informatik, Statistik und Machine/Deep Learning.

Ihr Trainer für den Kurs

Jan Köhler

Vom Hintergrund Statistiker und Wirtschaftsingenieur arbeitet er seit fast 10 Jahren mit den neuesten Technologien im Machine Learning, Deep Learning und Data Science.

In der Industrie hat er bei verschiedenen Projekten Machine Learning und Deep Learning in der Praxis umgesetzt und eigene Ideen in über 25 Patentanmeldungen eingebracht.

Er forscht im Bereich Deep Learning und hat wissenschaftliche Veröffentlichungen, u.a. in den Bereichen Medizinstatistik, Operations Research und Deep Learning. Seine fundierte Praxiserfahrung und die Mitarbeit in zahlreichen Data Mining Projekten ermöglicht seinen Schulungsteilnehmer auch für ihre Anwendungen aus seinen Kursen viel mitzunehmen.

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
[email protected]

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


    Inhouseschulung / Firmenschulung

    Sie suchen einen Intensivkurs in Data Science in der Programmiersprache Python 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 Data Science Python Bootcamps 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 der Data Science Bootcamp Kurs
    Data Science in R Schulung

    Die Data Science in R Schulung vermittelt einen kompakten Einstieg in die Programmiersprache R für Datenanalyse und Data Science / Data Mining. Sie lernen das beliebte Paket tidyverse zur Datenmanipulation, erstellen Grafiken mit ggplot2 und schreiben eigene Funktionen. Der Einstieg in Machine Learning und die Umsetzung von bekannten Algorithmen (u.a. Lineare Regression, Entscheidungsbaum, K-Means Clustering) ist ein weiterer Schwerpunkt.

    Machine Learning Kurs

    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.

    Deep Learning Kurs Künstliche Intelligenz Schulung

    In diesem Kurs lernen Sie die Grundlagen von Deep-Learning kennen (mit Beispielen aus der Bild-, Text- und Sequenzdatenbearbeitung). Sie erstellen und trainieren Neuronale Netze auf GPUs mit dem anwenderfreundlichen und beliebten Framework Keras / Tensorflow (in Python). Vorkommende Neuronale-Netzwerk-Typen umfassen CNNs, RNNs und LSTMs.

    R Programmieren Kurs

    Dieses Seminar vermittelt einen Einstieg in die Programmiersprache R mit RStudio und erklärt die Grundlagen von Statistik. Für Teilnehmer ohne Programmiervorerfahrung. Behandelte Themen sind: Korrelation, statistische Tests und Verteilungen, Grafiken erstellen mit ggplot2 und die effiziente Datenanalyse mit dem Paket data.table.

    Risikofrei Buchen

    Rücktritt bei Nichtgefallen

    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 es wird Ihnen die volle Kursgebühr inkl. Anreise (30 cent / km bzw. Bahnfahrt 2. Klasse) erstattet. Ohne Wenn und Aber.

    Stornierung

    Sie können eine Bestellung kostenlos bis 14 Tage vor Beginn der Schulung stornieren.

    Bis 7 Tage vor Kursbegin fallen 50% Stornokosten zzgl. MwSt an.

    Weniger als 7 Tage vor Kursbegin ist die gesamte Seminargebühr zzgl. MwSt zu zahlen.

    Anfallende Stornokosten werden Ihnen bei Umbuchung auf einen anderen Termin oder auf ein anderes Seminar verrechnet.

    Sie können einen Ersatzteilnehmer für Ihr gebuchtes Seminar zum gebuchten Termin benennen. In diesem Falle verändern wir Ihre Buchung kostenfrei und tragen den Ersatzteilnehmer ein.

    Sie haben bei Stornierung zudem auch die Möglichkeit einen anderen Termin, an dem das Seminar bereits stattfindet (d.h. die Mindestteilnehmerzahl ist erreicht), oder ein anderes Seminar (das aufgrund der Buchungslage bereits stattfindet) kostenfrei bzw. nach Bezahlung des Differenzbetrages, teilzunehmen. Ist das gewählte Seminar preisgünstiger, erstatten wir Ihnen den Differenzbetrag nach Teilnahme am Seminar zurück. Diese Möglichkeit erfolgt aus Kulanz ohne Anerkennung einer Rechtspflicht.

    Falls die Buchungslage es ermöglicht, können wir einen Ersatzteilnehmer aus der Warteliste benennen. In diesem Fall ist Ihre Stornierung kostenfrei. Dies ist jedoch nicht garantiert und erfolgt aus Kulanz ohne Anerkennung einer Rechtspflicht.

    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

    Schulungsraum in Stuttgart

    Die Seminarräume in Stuttgart befinden sich 300m vom Hauptbahnhof, 300m von der U-Bahn Haltestelle Schloßplatz und 800m von der U-Bahn Haltestelle Charlottenplatz entfernt.

    Die hellen und geräumigen Räume befinden sich im fünften Stock eines Gebäudes mit Glasfassade.

    Im Gebäude befinden sich auch Tiefgaragenplätze. Bitte vorab die Verfügbarkeit überprüfen.

    Adresse Seminarraum Stuttgart

    Regus Königsstraße
    5. Stock
    Königstraße 10c
    70173 Stuttgart