logo
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
    Zusammenhang wird das Thema Feature Engineering näher betrachtet und
    aus den alten Features neue erzeugt.

    Kapitel 5 – Outlier Detection:
    Teilnehmende lernen verschiedene Ansätze kennen, um Ausreißer zu
    identifizieren und verstehen, mit diesen ungewöhnlichen Datenpunkten
    umzugehen. Sie nutzen robuste Maße und Modelle, um den Einfluss der
    Ausreißer zu minimieren.
    Ziel:
    Erweiterung des eigenen Data-Science-Toolkits

    Beschreibung:
    Teilnehmende intensivieren ihre Kenntnisse über Modelle zur Klassifikation
    von Daten. Dabei erweitern sie ihre Fähigkeiten im Sammeln und Aufbereiten
    von Daten.

    Kapitel 1 – Data Gathering:
    Teilnehmende lernen, Daten zu sammeln, indem sie Webseiten und PDFDokumente auslesen.
    Mithilfe von Regular Expressions strukturieren
    sie gesammelte Textdaten so, dass sie diese zusammen mit bekannten
    Algorithmen verwenden können.

    Kapitel 2 – Logistic Regression:
    Teilnehmende lernen einen zweiten Klassifizierungsalgorithmus kennen: die
    logistische Regression. Sie nutzen neue Performance-Metriken zur Evaluation
    der Ergebnisse und erfahren, wie sie nicht-numerische Daten für ihre Modelle
    nutzbar machen.

    Kapitel 3 – Decision Trees and Random Forests:
    Teilnehmende lernen den Entscheidungsbaum als leicht zu interpretierendes
    Modell kennen. Sie kombinieren mehrere Modelle zu einem Ensemble,
    um die Vorhersagen ihres Modells zu verbessern. Weiterhin erhalten sie
    Methoden zu unausgeglichenen Kategorien an die Hand.

    Kapitel 4 – Support Vector Machines:
    Teilnehmende lernen einen letzten Klassifizierungsalgorithmus
    kennen – Support Vector Machines (SVM) und beleuchten das Verhalten
    verschiedener Kernel für die SVM. Außerdem erlernen sie die typischen
    Schritte des Natural Language Processing (NLP) und bearbeiten ein
    NLPSzenario unter Verwendung von Bag-of-Words-Modellen.

    Kapitel 5 – Neural Networks:
    Teilnehmende werden in künstliche neuronale Netze eingeführt und
    lernen mehr über Deep Learning, um ein künstliches neuronales
    Netzwerk mit mehreren Schichten zu erzeugen und auf ein Datenset
    anzuwenden.
    Ziel:
    Selbstständiges Anwenden einfacher und komplexer Modellierungen

    Beschreibung:
    Teilnehmende erlangen Souveränität im Lösen von Data-Science-Problemen
    und lernen, Ergebnisse kompetent zu kommunizieren.

    Kapitel 1 – Visualization and Model Interpretation:
    Teilnehmende erlernen wichtige Methoden zur Interpretation und
    Visualisierung von Machine-Learning-Modellen. Durch die Verwendung
    modelagnostischer Methoden zur Interpretation lernen sie Erkenntnisse zur
    Funktionsweise ihrer Modelle abzuleiten und zu kommunizieren.

    Kapitel 2 – Spark:
    Teilnehmende erfahren, weshalb die Arbeit mit verteilten Speichersystemen
    relevant ist. Mit dem Python-Paket PySpark erlernen sie verteilte
    Datenbanken auszulesen, Big-Data-Analysen durchzuführen und bekannte
    Machine-Learning-Algorithmen auf verteilten Systemen zu nutzen.

    Kapitel 3: Exercise Project:
    Teilnehmende bearbeiten ein Prädiktionsproblem mit Hilfe eines größeren
    Datensets und setzen ihre Data-Science-Fähigkeiten von der Reinigung
    des Datensets bis zur Interpretation des Modells eigenständig ein. In einer
    Projektbesprechung mit dem Mentorenteam von StackFuel erhalten
    Teilnehmende Feedback zu ihrem Lösungsansatz.

    Kapitel 4 – Final Project:
    Teilnehmende erhalten ein weiteres größeres Datenset, das sie
    selbstständig analysieren und im Vergleich zum Übungsprojekt mit weniger
    Hilfestellungen lösen müssen. In einer individuellen Projektbesprechung mit
    dem Mentoring Team von StackFuel erhalten Teilnehmende Feedback zu
    ihrem Lösungsansatz.

    Starttermine

    12.12.2022
    Dauer: 18 Wochen
    23.01.2023
    Dauer: 18 Wochen

    Lade Dir jetzt das Curriculum herunter.

    Curriculum_Data_Scientist
    Curriculum_Data_Scientist
    Lernumgebung

    Trainiere online im Browser in unserer interaktiven Lernplattform.

    StackFuel bietet Dir eine innovative Lernumgebung, mit der Du Deine Datenkompetenz auf die effektivste Weise weiterentwickelt – interaktiv und mit echten Praxisaufgaben. Lerne zu programmieren in unserem Data Lab und entwickle Algorithmen und Automatisierungen mit realen Datensätzen aus der Industrie. Überzeuge Dich jetzt und profitiere von 80 % Praxisanteil in unseren Trainings. 

    Warum StackFuel

    Wir sind Dein strategischer Lernpartner - inklusive Mentoring & Förderung.

    Künstliche Intelligenz in Unternehmen: AI Literacy hilft Dir dabei, den Einsatz von KI in Unternehmen besser zu verstehen und Du bekommst die nötigen Kernkompetenzen, um bestehende und neue KI-Anwendungen anhand verschiedener Szenarien aus dem Business-Alltag sicher zu verstehen, für Dein Unternehmen erfolgreich zu übertragen und mit ihnen zu interagieren.

    Ob Mitarbeitende, Arbeitslose oder Führungskräfte – wir entwickeln Dich zum Datentalent mit unseren förderbaren Weiterbildungen und Umschulungen, die für jede Fachabteilung und jede Karrierestufe passen. Dabei stellen wir Deinen Lernerfolg mit unserem engagierten Mentoring Team sicher und blieben immer am Ball mit Dir. Unsere Praxisaufgaben und Projekte machen Dich fit für den Umgang mit den neuesten Technologien und Anwendungen.

    Künstliche Intelligenz in Unternehmen: AI Literacy hilft Dir dabei, den Einsatz von KI in Unternehmen besser zu verstehen und Du bekommst die nötigen Kernkompetenzen, um bestehende und neue KI-Anwendungen anhand verschiedener Szenarien aus dem Business-Alltag sicher zu verstehen, für Dein Unternehmen erfolgreich zu übertragen und mit ihnen zu interagieren.
    Unser FAQ

    Die wichtigsten Fragen auf einen Blick.

    Der Bedarf an Data Expert:innen ist hoch. Bis 2025 werden rund 4 Millionen Datenexpert:innen in Europa benötigt. Und allein 2021 wurden mehr als 80.000 Stellen für IT-Fachkräfte in Deutschland ausgeschrieben. Vor allem die Nachfrage nach Daten- und KI-Experten nimmt weiterhin enorm zu.

    Aber eine Entscheidung für eine Daten-Karriere ist noch so viel mehr als nur eine sichere Zukunftsentscheidung! Als Datenexpert:in beschäftigst Du Dich mit starken, gesellschaftlich relevanten Themen, bist gleichzeitig Tech-Profi und kommunikativ und kreativ. Der Beruf ist abwechslungsreich, lässt sich mit den meisten anderen Berufen kombinieren und bietet ein attraktives Gehalt. Und das Wichtigste: Er ist mit uns zielsicher erlernbar!

    Ja, nach erfolgreichem Abschluss der Weiterbildung erhältst Du ein Abschlusszertifikat von uns, dass Du bei Deinen Bewerbungen vorzeigen kannst. Data Analysts und Data Scientists werden in vielen Wirtschaftsbereichen händeringend gesucht. Selbst ohne einschlägige Berufserfahrungen stehen Deine Chancen auf einen Einstiegsjob also gut. Dazu kommt, dass es in fast jeder Branche Analysten gibt, diese haben dann zwar unterschiedliche Jobtitel, aber die Fähigkeiten, die Du dazu brauchst, sind dieselben, wie die des Data Analyst oder Data Scientist.

    Nein, die Weiterbildung ist zeitlich flexibel und berufsbegleitend gestaltet. Du kannst uneingeschränkt Deinem Beruf nachgehen und kannst Dir Deine Lernzeiten so legen, wie sie für Dich zeitlich am besten passen. Solltest Du plötzlich doch mehr Zeit zur Verfügung haben, kannst Du Dich gerne bei uns per E-Mail melden und wir schalten in Deinem Konto die Lerninhalte für die Teilzeit-Variante frei. In dieser Variante kannst Du die Weiterbildung innerhalb von nur vier Wochen absolvieren. Solltest Du merken, dass Du doch mehr Zeit brauchst, kannst Du die Inhalte dennoch in der Regelzeit absolvieren.

    Ja, unsere Online-Weiterbildungen sollen Dir die größtmögliche Flexibilität bieten. Grundsätzlich empfehlen wir sechs bis acht Stunden pro Woche zum Lernen einzuplanen. Wann Du diese Zeit einplanen willst, liegt bei Dir und wird von uns nicht vorgeschrieben. In unseren Karrierepfaden, dem Data Analyst und Data Scientist Kurs, bieten wir Dir Live-Webinare, in denen Du unseren Mentor:innen Fragen stellen kannst, an denen Du aber nicht teilnehmen musst, wenn es nicht in Deinen Zeitplan passt.

    (Ausgenommen sind Teilnehmende unserer geförderten Weiterbildungen. Diese müssen eine feste Stundenzahl pro Woche wahrnehmen und sind verpflichtet an den Live-Webinaren teilzunehmen.)

    Feedback
    Das sagen unsere Absolventen.

    Schau Dir unsere weiteren Trainings an.

    Deine Data Analyst Weiterbildung hilft Dir Dich für den Jobeinstieg als Data Analyst zu qualifizieren.
    Data Analyst – Fokus Python
    Qualifizierung für die Jobrolle als Data Analyst
    TYP:
    Online-Training
    Dauer:
    72 Stunden (3,5 Monate)
    Deine Data Analyst Weiterbildung hilft Dir Dich für den Jobeinstieg als Data Analyst zu qualifizieren.
    Data Analyst – Fokus Python
    Qualifizierung für die Jobrolle als Data Analyst
    TYP:
    Online-Training
    DAUER:
    72 Stunden (3,5 Monate)
    Python Basics
    Praxisnaher Einstieg für das Programmieren mit Python
    TYP:
    Online-Training
    Dauer:
    32 Stunden
    Python Basics
    Praxisnaher Einstieg für das Programmieren mit Python
    TYP:
    Online-Training
    DAUER:
    32 Stunden
    Deine Weiterbildung zum Data Analyst - für 0 € mit Bildungsgutschein weiterbilden lassen.
    Zertifikatslehrgang Data Analyst – Fokus Python
    Qualifizierung für die Jobrolle als Data Analyst
    TYP:
    Online-Training
    Dauer:
    4 Monate (220 UE)
    Deine Weiterbildung zum Data Analyst - für 0 € mit Bildungsgutschein weiterbilden lassen.
    Zertifikatslehrgang Data Analyst – Fokus Python
    Qualifizierung für die Jobrolle als Data Analyst
    TYP:
    Online-Training
    DAUER:
    4 Monate (220 UE)

    Überzeuge Dich jetzt von unserer Lernplattform!

    Finde heraus, warum immer mehr führende Unternehmen StackFuel für die Online-Weiterbildung Ihrer Mitarbeitenden nutzen. In unserem Call lernst Du, wie Dein Unternehmen Datenkompetenzen aufbauen kann und Deine Workforce Transformation ein glatter Erfolg wird.