Data Science Bootcamp in Python

About this course

Data Science Bootcamp in Python

Intensive Schulung über Data Science und Machine Learning mit pandas und scikit-learn

Termin OrtPreiseBelegung 
11.05.2020 - 15.05.2020Stuttgart2.630€
21.09.2020 - 25.09.2020Stuttgart2.630€


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

Seminarinhalte 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

Mann schaut auf Papier mit mögliche Grafiken aus dem Kurs Data Science Bootcamp.

Beschreibung der Data Science Fortbildung

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. 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 Seminars können Sie selbstständig erste Datenanalysen umsetzen, Machine Learning Algorithmen einsetzen und deren Ergebnisse interpretieren.
Das Paket pandas ist ein Schwerpunkt, da pandas speziell für Data Science entwickelt wurde. 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, erhalten Sie einen vertieften Überblick über Machine Learning Algorithmen, welche wir in Python mit dem Paket scikit-learn selbst coden werden. 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 der Fortbildung 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.

Was lernen Sie in dieser Data Science Weiterbildung?

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 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). 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.
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 Bibliothek scikit-learn und der Umsetzung und das intuitive Verständnis von bekannten Algorithmen des Machine Learnings. 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 Learnin, 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.


10:00 – 10:15

Begrüßung und Organisatorisches
  • Vorstellungsrunde
  • Erwartungen der Teilnehmer

 

10:15 – 11:45


Grundlagen von Python
  • Neue Pakete installieren
  • Spyder als Entwicklungsumgebung/IDE
  • Funktionen und Methoden
  • Wichtige Aspekte von Python im Vergleich zu anderen Programmiersprachen

 

11:45 – 12:00
Kaffeepause

 

 

12:00 – 13:30


Grundlegende Datenstrukturen
  • Überblick über die basic data types (string, integer, float, NaN)
  • Erläuterung der wichtigsten Datenstrukturen: list, tuple, dictionary
  • List comprehension
13:30 – 14:30
Mittagspause
14:30 – 16:00


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.

 

16:00 – 16:15
Kaffeepause
16:15 – 18:00


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
  • Wichtige 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 – 15:15


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

 

15:15 – 15:30
Kaffeepause
15:30 – 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 – 15:15


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

 

15:15 – 15:30
Kaffeepause
15:30 – 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

heraus



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 Fortbildung, welche die Inhalte des dreitägigen Data Science Kurses und der zweitägigen Vertiefung in Machine Learning abdeckt.

Voraussetzungen für die Fortbildung

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 Science 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 im Kurs

Schwerpunkt unserer intensiven Data Science Fortbildung 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 im Data Science Intensivkurs

  • 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 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.

 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 hier (Link).

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.



Weitere Seminare und Termine

Die nächsten Kurse

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. ...
22 Apr - 24 Apr
09:00 - 17:00
München
Josephspitalstraße 15
Schalen mit verschiedenen Beeren. Maschinelles Lernen kann gruppieren.

Machine Learning Kurs mit Python

(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. ...
27 Apr - 28 Apr
09:00 - 17:00
München
Josephspitalstraße 15
Keine Veranstaltung gefunden
Weitere anzeigen