Hinweis zum Anbieter: Dieses E-Learning wird auf der Plattform Udemy angeboten. Kauf, Zahlung, Kurszugang, Inhalte und Support erfolgen über Udemy. Preise, Verfügbarkeit und Kursbedingungen können sich ändern und werden von Udemy festgelegt.

Beschreibung

Dieser E-Learning-Kurs bietet einen praxisnahen Einstieg in Python für Data Science und Machine Learning. Du lernst, wie du Daten mit Python analysierst, visualisierst und mit gängigen Machine-Learning-Verfahren auswertest.

Im Fokus stehen zentrale Bibliotheken und Werkzeuge wie NumPy, Pandas, Matplotlib, Seaborn, Plotly, Scikit-Learn, TensorFlow und Spark. Der Kurs verbindet Python-Grundlagen, Datenanalyse, Datenvisualisierung und Machine Learning in einem strukturierten Lernpfad.

Der Kurs eignet sich für alle, die bereits erste Programmiererfahrung mitbringen und Python gezielt für Datenanalyse, Data Science, Machine Learning und datengetriebene Projekte einsetzen möchten.

Das wirst du lernen

• Python für Data Science, Datenanalyse und Machine Learning einsetzen
• Numerische Daten mit NumPy verarbeiten und analysieren
• Daten mit Pandas strukturieren, bereinigen und auswerten
• Daten mit Matplotlib, Seaborn, Plotly und Pandas visualisieren
• Machine-Learning-Modelle mit Scikit-Learn aufbauen und anwenden
• Wichtige Verfahren wie lineare Regression, logistische Regression, K-Means-Clustering, K-Nearest Neighbors, Decision Trees, Random Forests und Support Vector Machines kennenlernen
• Grundlagen von Natural Language Processing, Recommender Systems, Neural Networks und Deep Learning verstehen
• Big-Data-Analysen mit Spark und Python einordnen und praktisch nachvollziehen

Anforderungen

• Grundlegende Programmiererfahrung wird empfohlen
• Administrationsrechte zum Herunterladen und Installieren benötigter Dateien und Tools
• Interesse an Python, Datenanalyse, Visualisierung und Machine Learning
• Bereitschaft, praktische Übungen und Code-Beispiele eigenständig nachzuvollziehen

Für wen eignet sich der Kurs

• Einsteiger:innen in Data Science mit ersten Programmierkenntnissen
• Entwickler:innen, die in Datenanalyse und Machine Learning einsteigen möchten
• Datenanalyst:innen, die Python, Pandas, NumPy und Visualisierungstools praktisch nutzen wollen
• IT-Fachkräfte, die Machine-Learning-Grundlagen mit Python kennenlernen möchten
• Studierende und Berufstätige, die einen breiten Überblick über Python-basierte Data-Science-Workflows suchen

Kursdetails

Der Kurs führt Schritt für Schritt durch zentrale Themen der Python-basierten Datenanalyse. Nach einer Einführung in Arbeitsumgebung, Jupyter Notebook und Python-Grundlagen folgen Abschnitte zu NumPy, Pandas und Visualisierung mit Matplotlib, Seaborn, Plotly und geografischen Darstellungen.

Im weiteren Verlauf stehen Machine-Learning-Verfahren im Mittelpunkt. Dazu gehören Regressionsmodelle, Klassifikation, Clustering, Entscheidungsbäume, Random Forests, Support Vector Machines, Principal Component Analysis, Recommender Systems, Natural Language Processing sowie Grundlagen von Neural Networks und Deep Learning.

Der Kurs ist als englischsprachiges E-Learning aufgebaut und wird von Jose Portilla und Pierian Training bereitgestellt. Er richtet sich an Lernende, die Data Science und Machine Learning mit Python in einem umfassenden Onlinekurs erarbeiten möchten.

Kursinhalt – 27 Sektionen – 165 Lektionen - 24 Std. 54 Min. Gesamtdauer

Kapitel 1: Kurseinführung

Kapitel 2: Arbeitsumgebung einrichten

Kapitel 3: Jupyter Notebook im Überblick

Kapitel 4: Python-Crashkurs

Kapitel 5: Datenanalyse mit Python: NumPy

Kapitel 6: Datenanalyse mit Python: Pandas

Kapitel 7: Pandas-Übungen

Kapitel 8: Datenvisualisierung mit Matplotlib

Kapitel 9: Datenvisualisierung mit Seaborn

Kapitel 10: Datenvisualisierung mit integrierten Pandas-Funktionen

Kapitel 11: Interaktive Visualisierung mit Plotly und Cufflinks

Kapitel 12: Geografische Datenvisualisierung

Kapitel 13: Data Capstone Project

Kapitel 14: Einführung in Machine Learning

Kapitel 15: Lineare Regression

Kapitel 16: Cross Validation und Bias-Variance Trade-Off

Kapitel 17: Logistische Regression

Kapitel 18: K-Nearest Neighbors

Kapitel 19: Decision Trees und Random Forests

Kapitel 20: Support Vector Machines

Kapitel 21: K-Means-Clustering

Kapitel 22: Principal Component Analysis

Kapitel 23: Recommender Systems

Kapitel 24: Natural Language Processing

Kapitel 25: Neural Networks und Deep Learning

Kapitel 26: Big Data und Spark mit Python

Kapitel 27: Bonus-Sektion