Python Trainee-Days

Werden Sie in diesem Intensivtraining zum Data-Scientist mit Python!

In einzigartiger Umgebung lernen Sie an 5 Tagen die Programmiergrundlagen von Python und erfahren, wie Sie Python-Code im produktiven Unternehmensumfeld für Data Science Anwendungen einsetzen. Sie werden einen Einblick in die Multi-Purpose Möglichkeiten von Python erhalten und eine Webapplikation mit Flask entwickeln. Schließlich nutzen Sie Python um Machine Learning Anwendungen mit den gängigen Data-Science Bibliotheken zu erstellen.

Mit dem besonderen Fokus auf den Bereich Datenanalyse vermittelt das Training zunächst die Grundlagen in der Programmiersprache Python. Von der Installation, den wesentlichen Objekttypen und Programmierbasics über einfache Analysen und Visualisierungen erhalten. Sie alle Voraussetzungen, um erste Anwendungen in Python selbst zu schreiben. In praxisnahen Beispielen und mit Hilfe von Beispieldaten werden die Inhalte eingeleitet und Live am Quellcode vorgeführt. Kleine Übungen helfen, das Gelernte auszuprobieren und zu vertiefen. Besonderes Augenmerk richtet der Kurs anschließend auf die populäre Python-Bibliothek Pandas und deren Datentypen Series und DataFrame. Hier erlernen die Sie die wichtigsten Techniken aus dem Bereich Datenmanagement.

In einem weiteren Themenblock lernen Sie, wie Python „State-of-the-Art“ in
Operativumgebungen eingesetzt wird. Sie werden erfahren, welche Komponenten dabeihelfen, Quellcode sicher und übersichtlich zu gestalten und wie diese konkret in
Projektstrukturen eingesetzt werden.Ein weiterer Schwerpunkt der Trainee-Days richtet sich auf den Bereich Machine Learning.

Das Themenfeld lässt sich in Klassifikations- und Regressionsprobleme unterteilen, die
entweder überwachter oder unüberwachter Natur sein können. An den Trainingstagen 4 und 5 lernen sie die unterschiedlichen Problemklassen mit den bedeutendsten Methoden des Machine Learning zu lösen.

Zunächst lernen Sie Algorithmen für überwachte Klassifikations- und Regressionsszenarien einzusetzen. Jedes der besprochenen Verfahren wird in dem Training zunächst theoretisch eingeleitet, anschließend in Python umgesetzt und schließlich in einer kleinen Übung durch die Teilnehmer ausprobiert. Inhaltliche Fragestellungen, die aufgrund von Beispieldatensätzen formuliert werden, dienen dem Kurs als roter Faden durch die Verfahren. Neben den Algorithmen versucht das Training einen Eindruck von Machine Learning Prozessen zu vermitteln. D.h., es wird aufgezeigt, welche Schritte notwendig sind um einen Machine Learning Task zu lösen und wie diese konkret umgesetzt werden.

Anschließend werden nicht überwachte Szenarien besprochen. Zu diesem zählen insbesondere Clusteranalysen und die Hauptkomponentenanalyse. Beide Verfahrensklassen dienen der Dimensionsreduktion und werden häufig in Interaktion mit überwachten Lernmethoden eingesetzt. Wie die Verfahren miteinander kombiniert werden und welche Herausforderungen dabei bestehen, erfahren Sie im Kurs.

Kennenlernen der Grundkonzepte und der Philosophie von Python

• Die Python-Syntax verstehen und anwenden
• Datenmanagement in Python
• Projekte in Python anlegen und verwalten
• Best Practice Ansätze für professionellen Python-Code erlernen
• Ausblick auf Multi-Purpose Möglichkeiten in Python
• Methodische Grundlagen des Machine Learning erlernen
• Techniken des Machine Learning mit Python umsetzen
• Eigene Prognoseprobleme mit Python lösen
• Verfahren zur Dimensionsreduktion kennenlernen und einsetzen

Tag 1-2 – Grundlagen, Programmieren mit Python, Datenmanagement mit numpy und
pandas

• Das Konzept und die Philosophie von Python
• Übersicht Python-Editoren, u.a.: Jupyter, Pycharm, Spyder
• Python-Projekte anlegen: Ordnerstruktur, Einbinden von Paketen und Modulen
• Syntaktische Grundlagen: Grunddatentypen, Operatoren, Kontrollstrukturen, Funktionen, Schleifen
• Grundlagen objektorientierten Programmierens in Python: Klassen, Methoden und Attribute
• Einführung in numpy
• pandas
• Objekttypen: Series und DataFrame
• Importieren von Daten, Datenmanagement, Aggregationen, deskriptive Statistik

Tag 3 – Python in Produktivumgebungen, Reporting mit Webapplikationen und
Microservices

• Anforderungen von produktiven Python-Code
• Objektorientierung im Python-Interpreter – Wie sieht produktiver Code aus?
• Konvetioneller Code nach PEP-8 und dessen Bedeutung in Python
• Python Projekte anlegen
• Source- und Binary-Distributionen erstellen
• Unittesting mit den Bibliotheken unittest und doctest durchführen
• Aufzeichnen des Programmzustands mit logging
• Dokumentationen mit Sphinx erstellen
• Webapplikationen mit Flask für REST-APIs, Reporting von Analytic und Microservices

Tag 4-5: Machine Learning mit Python Grundlagen des Machine Learnings / Data Minings

• Überblick über Modelle und Methoden, Über das Problem der Prognose
• Supervised vs. Unsupervised Learning
• Overfitting, Underfitting und Parametertuning – Techniken der Modellerstellung
• Grundproblem, einfache Kreuzvalidierung, 3 Fold-Technik, k-Fold-Validierung
• Klassifikationsverfahren
• Entscheidungsbäume, Random Forest, Gradient Boosting Machines, Neuronale Netze
• Evaluation von Klassifikationsverfahren (ROC-Kurven, Cutoff-Wert, Präzision, Sensitivität, Spezifität)
• Regressionsprobleme
• Lineare Regression, Regression Trees, Random Forest, Neuronale Netze,
• regularisierte Regressionen (Ridge Regression, Lasso Regression, Elastic Net)
• Evaluation von Regressionsproblemen
• Clusteranalysen
• k-Nearest Neighbors, k-Means, agglomerative Clusteranalyse, DBSCAN
• Hauptkomponentenanalyse
• Grundbegriffe und Anwendungsszenarien, Ausblick auf Rotationsverfahren, Kriterien zur Dimensionsreduktion, Interpretation

Keine

Training am eigenen Laptop

 (Softwarevoraussetzungen und Installationsanleitung erhalten Sie im Vorfeld)