Qualifizierung für die Jobrolle als Data Scientist

Data Scientist – Fokus Python

Kursbeschreibung

Die zertifizierte Online-Weiterbildung zum Data Scientist – Fokus Python befähigt Dich dazu, Prognosemodelle aus Daten abzuleiten, zu verifizieren und zu interpretieren, um die Modellergebnisse effizient zu kommunizieren. Der zusätzliche Aufbau von Fähigkeiten im Bereich des Machine Learnings qualifiziert Dich mit erfolgreichem Abschluss des Karrierepfades für die Jobrolle als Data Scientist oder eine andere analytische Jobrolle wie dem wie dem Business Intelligence Analyst oder Financial Analyst.

In diesem Training lernst Du

  • Daten selbständig einlesen, bereinigen und filtern
  • Daten explorativ mithilfe von deskriptiver Statistik analysieren
  • Komplexe Prognosemodelle entwickeln und verifizieren
  • Python-Programmierkenntnisse vertiefen
  • Datenmodelle zur Vorhersage von Businessszenarien bauen
  • Machine-Learning-Algorithmen entwickeln
  • Best Practices für die effektive Datenvisualisierung
  • Methoden des Data Storytellings
  • Zielgruppe

    Die Weiterbildung Data Scientist – Fokus Python eignet sich für alle, die Python als Programmiersprache einsetzen, Daten analysieren und auf Grundlage dieser Vorhersagen erstellen möchten, um datengetriebene Entscheidungen zu treffen. Du solltest eine grundlegende Motivation für Statistik, logisches Denken und maschinelles Lernen mitbringen. Auch für Quereinsteiger:innen ist die Data Scientist Weiterbildung geeignet.

    Voraussetzungen für die Teilnahme

    Für das Training werden Programmierkenntnisse in Python sowie Vorkenntnisse in den Python-Bibliotheken Pandas und Matplotlib vorausgesetzt.
    Intensivkus - Weiterbildung zum Data Scientist. Deine Data Scientist Zertifizierung kannst Du am Ende der Data Scientist Weiterbildung mit bestandener Prüfung erhalten.
    Online-Training
    108 Stunden (4,5 Monate)
    4 Module + 1 Abschlussprojekt
    Fortgeschrittene
    Deutsch oder Englisch
    Abschlusszertifikat
    4.790,00 €
    inkl. MwSt.

    Kursbeschreibung

    Die zertifizierte Online-Weiterbildung zum Data Scientist – Fokus Python befähigt Dich dazu, Prognosemodelle aus Daten abzuleiten, zu verifizieren und zu interpretieren, um die Modellergebnisse effizient zu kommunizieren. Der zusätzliche Aufbau von Fähigkeiten im Bereich des Machine Learnings qualifiziert Dich mit erfolgreichem Abschluss des Karrierepfades für die Jobrolle als Data Scientist oder eine andere analytische Jobrolle wie dem wie dem Business Intelligence Analyst oder Financial Analyst.

    In diesem Training lernst Du

  • Daten selbständig einlesen, bereinigen und filtern
  • Daten explorativ mithilfe von deskriptiver Statistik analysieren
  • Komplexe Prognosemodelle entwickeln und verifizieren
  • Python-Programmierkenntnisse vertiefen
  • Datenmodelle zur Vorhersage von Businessszenarien bauen
  • Machine-Learning-Algorithmen entwickeln
  • Best Practices für die effektive Datenvisualisierung
  • Methoden des Data Storytellings
  • Video abspielen

    Zielgruppe

    Die Weiterbildung Data Scientist – Fokus Python eignet sich für alle, die Python als Programmiersprache einsetzen, Daten analysieren und auf Grundlage dieser Vorhersagen erstellen möchten, um datengetriebene Entscheidungen zu treffen. Du solltest eine grundlegende Motivation für Statistik, logisches Denken und maschinelles Lernen mitbringen. Auch für Quereinsteiger:innen ist die Data Scientist Weiterbildung geeignet.

    Voraussetzungen für die Teilnahme

    Für das Training werden Programmierkenntnisse in Python sowie Vorkenntnisse in den Python-Bibliotheken Pandas und Matplotlib vorausgesetzt.

    Data Scientist Weiterbildung

    Kursüberblick

    Weiterbildung zum Data Scientist: Das Data Lab bietet Dir 80% interaktive Inhalte. Lerne selbst zu programmieren und wie Du mit Daten in der Praxis arbeitest. So wirst Du Schritt für Schritt mit StackFuel vom Anfänger zum Data Science Experten
    Ausschnitt aus dem Zertifikatslehrgang Intensivkurs – Weiterbildung zum Data Scientist

    Python Skills

    Python ist die Nr. 1 der Programmiersprachen für Machine Learning und Data Science und ist besonders für Programmier-Neulinge einfach zu erlernen.

    Interaktive Aufgaben & Abschlussprojekt

    Wende Dein Wissen in interaktiven Praxisaufgaben an und einem Abschlussprojekt, in dem Du ein eigenes Data-Science-Projekt mit realen Datensets umsetzt.

    Jobqualifizierung

    Mit der Data Scientist Weiterbildung qualifizieren wir Dich direkt für die Jobrolle als Data Scientist sowie anderen analytischen Rollen in Datenteams.

    Python Skills

    Python ist die Nr. 1 der Programmiersprachen für Machine Learning und Data Science und ist besonders für Programmier-Neulinge einfach zu erlernen.

    Interaktive Aufgaben & Abschlussprojekt

    Wende Dein Wissen in interaktiven Praxisaufgaben an und einem Abschlussprojekt, in dem Du ein eigenes Data-Science-Projekt mit realen Datensets umsetzt.

    Jobqualifizierung

    Mit der Data Scientist Weiterbildung qualifizieren wir Dich direkt für die Jobrolle als Data Scientist sowie anderen analytischen Rollen in Datenteams.

    Module

    Ziel:
    Auffrischung der Kenntnisse im Umgang mit Python sowie
    mathematischer Grundlagen Beschreibung

    Beschreibung:
    Teilnehmende führen Analysen und Datenmanipulationen in Python aus
    und nutzen dabei die Pakete Pandas und Matplotlib.

    Kapitel 1 – Data Analytics with Python:
    Teilnehmende machen sich mit unserer interaktiven
    Programmierumgebung – dem Data Lab – vertraut und frischen die
    wichtigsten Programmier- und Python-Grundlagen zur Datenverarbeitung
    mit Pandas, Datenvisualisierung mit Matplotlib und Seaborn und
    Datenbankabfrage mit SQL Alchemy auf.

    Kapitel 2 – Linear Algebra:
    Teilnehmende machen sich mit dem mathematischen Hintergrund von
    Data-Science-Algorithmen vertraut und lernen die Grundbegriffe der
    linearen Algebra kennen. Unter Verwendung des Pakets Numpy rechnen
    die Teilnehmenden mit Vektoren und Matrizen.

    Kapitel 3 – Probability Distributions:
    Teilnehmende lernen mehr über den statistischen Hintergrund von DataScience-Algorithmen.
    Sie beschäftigen sich mit wichtigen statistischen
    Konzepten und lernen diskrete und kontinuierliche Verteilungen
    kennen. Darüber hinaus erhalten Teilnehmende einen Einblick in die
    Versionierung von Code mit Git.
    Ziel:
    Lösen von überwachten und unüberwachten Machine-Learning-Problemen
    mit sklearn

    Beschreibung:
    Teilnehmende erstellen Data-Science-Workflows mit sklearn, evaluieren ihre
    Modell-Performance anhand von geeigneten Metriken und werden für das
    Problem des Overfittings sensibilisiert.

    Kapitel 1 – Supervised Learning (Regression):
    Anhand der linearen Regression erlernen Teilnehmende den Umgang
    mit dem Python-Paket sklearn. Weiterhin beschäftigen sie sich mit den
    Annahmen des Regressionsmodells und der Evaluation der erzeugten
    Prognosen. In diesem Zuge werden auch der Bias-Variance Trade-Off,
    Konzepte der Regularisierung sowie verschiedene Maße der Modellgüte
    verdeutlicht.

    Kapitel 2 – Supervised Learning (Classification):
    Teilnehmende werden in Klassifizierungsalgorithmen anhand des
    k-Nearest-Neighbors-Algorithmus eingeführt und lernen, den Algorithmus
    zu evaluieren und die Klassifizierungsperformance einzuschätzen. Sie
    optimieren die Parameter ihres Modells unter Beachtung der Aufteilung der
    Daten in Trainings- und Evaluationssets.

    Kapitel 3 – Unsupervised Learning (Clustering):
    Teilnehmende lernen den k-Means-Algorithmus als Beispiel eines
    Algorithmus des unüberwachten Lernens kennen. Die Annahmen und
    Performance-Metriken des Algorithmus werden kritisch beleuchtet und ein
    kurzer Ausblick auf eine Alternative zum k-Means-Clustering geworfen.

    Kapitel 4 – Unsupervised Learning (Dimensionality Reduction):
    Teilnehmende lernen, wie sie mithilfe einer Principal Component Analysis
    (PCA) die Dimension der Daten verringern können und nutzen die PCA, um
    unkorrelierte Features aus den Ursprungsdaten zu erzeugen. In diesem