Data Science und Machine Learning mit Python
Von der Datenanalyse zum belastbaren Machine-Learning-Modell
01 Intro
Data-Science-Projekte verbinden unterschiedliche Disziplinen: Daten müssen
beschafft und verstanden, aufbereitet und exploriert, geeignete Features
entwickelt, Modelle trainiert und schließlich belastbar bewertet werden. Die
Qualität des Ergebnisses hängt deshalb vom gesamten Prozess ab und nicht nur
vom verwendeten Algorithmus.
Der Kurs führt diesen vollständigen Workflow mit Python praktisch zusammen.
Pandas und Visualisierungswerkzeuge werden für Datenanalyse und Aufbereitung
eingesetzt, scikit-learn für Preprocessing, Modellierung und Validierung.
Die Teilnehmer bearbeiten einen Data-Science-Prozess von der fachlichen
Fragestellung bis zur nachvollziehbaren Bewertung eines Modells.
Kurs-ID
ML-010
Dauer
5 Tage
Format
Präsenz · Live Online · Inhouse
Vorkenntnisse
Grundkenntnisse in Python; Erfahrungen mit Pandas sind hilfreich
02 Trainingsprogramm
Inhalte
Data Science als Prozess
- Data Analytics, Data Science und Machine Learning
- fachliche Fragestellung
- Daten
- Modelle
- Evaluation
- CRISP-DM und moderne Workflows
Python-Werkzeuge für Data Science
- Python-Umgebung
- Jupyter
- NumPy
- Pandas
- Matplotlib und Seaborn
- reproduzierbares Arbeiten
Daten beschaffen und verstehen
- Dateien
- Datenbanken und APIs im Überblick
- DataFrames
- Datentypen
- Datenprofil
- fachlicher Kontext
Daten aufbereiten
- fehlende Werte
- Dubletten
- Datentypen
- Ausreißer
- Kategorien
- reproduzierbare Bereinigung
Explorative Datenanalyse
- deskriptive Kennzahlen
- Verteilungen
- Gruppen
- Zusammenhänge
- Korrelation
- Hypothesen entwickeln
Daten visualisieren
- Diagrammtypen
- Verteilungen
- Beziehungen
- Zeitreihen
- Gruppenvergleiche
- Visualisierung für Exploration und Kommunikation
Features und Preprocessing
- numerische Features
- kategoriale Features
- Skalierung
- Encoding
- Imputation
- Leakage vermeiden
Überwachtes Machine Learning
- Regression
- Klassifikation
- lineare Modelle
- Entscheidungsbäume
- Random Forest
- Modellwahl
Unüberwachtes Lernen
- Clustering
- k-Means
- hierarchische Verfahren
- Dimensionsreduktion
- PCA
- Interpretation
Modelle bewerten und verbessern
- Train-Test-Split
- Cross Validation
- Regressionsmetriken
- Klassifikationsmetriken
- Overfitting
- Hyperparameteroptimierung
Reproduzierbare ML-Workflows
- scikit-learn Pipeline
- ColumnTransformer
- Preprocessing und Modell verbinden
- Modellvergleich
- Persistenz
- Grenzen zwischen Experiment und Produktion
Durchgängiges Data-Science-Projekt
- fachliche Fragestellung definieren
- Daten erschließen
- Datenqualität untersuchen
- Daten aufbereiten und explorieren
- Features entwickeln
- Grenzen und nächste Schritte dokumentieren
03 Durchführung
Rahmen und Organisation
Dauer
5 Tage
Durchführung
Präsenz oder Live Online, vorzugsweise als Inhouse-Schulung
Schwerpunkt
Inhouse-Schulungen für Unternehmen und Teams
Sprache
Deutsch, englische Fachbegriffe und Dokumentation
Unterlagen
Kursunterlagen, Beispiele und Übungsaufgaben
Technik
Eigener Rechner mit Python, Jupyter und den gängigen Analyse- und ML-Bibliotheken
Inhouse-Schulungen
Eigene Datenbestände und fachliche Fragestellungen können als Grundlage
für das durchgängige Projekt verwendet werden.
04 Zielgruppe
Für wen ist der Kurs gedacht?
Entwickler, technische Fachkräfte, angehende Data Analysts und Data
Scientists, die den vollständigen Data-Science- und
Machine-Learning-Prozess mit Python praktisch erlernen möchten.
Voraussetzungen
Grundkenntnisse in Python. Besondere Kenntnisse in Machine Learning werden
nicht vorausgesetzt.
05 Lernziele
Was Sie nach dem Kurs können
Nach dem Kurs können die Teilnehmer:
- einen Data-Science-Prozess von der Fragestellung bis zur Modellbewertung strukturieren
- Daten mit Python untersuchen und aufbereiten
- explorative Analysen und Visualisierungen durchführen
- Features für Machine Learning vorbereiten
- Regressions-, Klassifikations- und Clustering-Verfahren einsetzen
- Modelle korrekt validieren und vergleichen
- reproduzierbare scikit-learn-Workflows entwickeln
- Ergebnisse und Grenzen eines Modells nachvollziehbar kommunizieren
06 FAQ
Häufige Fragen
Was unterscheidet den Kurs von den Machine-Learning-Grundlagen?
Der Grundlagenkurs ist eine konzentrierte Einführung in Machine Learning und den ML-Workflow. Dieser Kurs ist ein umfassender fünftägiger Data-Science-Kurs, der Datenaufbereitung, Exploration, Visualisierung, Feature Engineering, Modellierung und Evaluation zu einem vollständigen Prozess verbindet.
Ersetzt der Kurs die spezialisierten Data- und ML-Kurse?
Nein. Dieser Kurs bietet Breite und einen vollständigen End-to-End-Workflow. Die spezialisierten Kurse behandeln ihre jeweiligen Themen wesentlich tiefer.
Welche Machine-Learning-Verfahren werden behandelt?
Regression, Klassifikation, Baumverfahren und Clustering bilden den Kern. Weitere Verfahren werden dort eingeordnet, wo sie für die Modellwahl relevant sind.
Wird Deep Learning behandelt?
Neuronale Netze werden eingeordnet, sind aber nicht Schwerpunkt. Dafür ist der Grundlagenkurs zu neuronalen Netzen vorgesehen.
Ist der Kurs auch ohne Data-Science-Erfahrung geeignet?
Ja. Python-Grundkenntnisse werden vorausgesetzt; der Data-Science- und Machine-Learning-Prozess wird systematisch aufgebaut.
Warum dauert der Kurs fünf Tage?
Weil hier nicht nur einzelne ML-Algorithmen behandelt werden. Der Kurs umfasst den vollständigen Weg von Datenverständnis und Aufbereitung über Exploration und Feature Engineering bis zu Modellierung, Validierung und einem durchgängigen praktischen Projekt.