Tauchen Sie ein in die Welt der Datenanalyse und erschließen Sie sich neue berufliche Perspektiven durch praxisnahes Lernen mit Python. Von der Datenaufbereitung bis zur KI-gestützten Analyse.
Grundlagen der Datenanalyse mit Python
  • Einführung in die Python-Programmierung für Data Science
  • Arbeiten mit NumPy Arrays und mathematischen Operationen
  • Datenmanipulation mit Pandas DataFrames
  • Datentypen und ihre Besonderheiten
  • Funktionen und Module in Python
  • Best Practices der Code-Organisation
Datenaufbereitung und -bereinigung
  • Behandlung von fehlenden Werten
  • Datentransformation und Feature Engineering
  • Datenintegration aus verschiedenen Quellen
  • Umgang mit Ausreißern und Anomalien
  • Datenvalidierung und Qualitätssicherung
  • Automatisierung von Datenbereinigungsprozessen
Explorative Datenanalyse
  • Statistische Kennzahlen und ihre Interpretation
  • Verteilungsanalysen und Hypothesentests
  • Korrelationsanalysen und Mustererkennnung
  • Zeitreihenanalyse und Trendidentifikation
  • Dimensionsreduktion und Merkmalsauswahl
  • Interaktive Datenexploration
Datenvisualisierung
  • Grundlegende Visualisierungen mit Matplotlib
  • Erweiterte Plots mit Seaborn
  • Interaktive Visualisierungen mit Plotly
  • Dashboard-Erstellung mit Streamlit
  • Gestaltungsprinzipien für effektive Visualisierungen
  • Storytelling mit Daten
Machine Learning Grundlagen
  • Überwachtes und unüberwachtes Lernen
  • Modellauswahl und Evaluation
  • Kreuzvalidierung und Hyperparameter-Optimierung
  • Umgang mit Overfitting und Underfitting
  • Feature Selection und Dimensionsreduktion
  • Ensemble-Methoden
Praxisprojekte und Anwendungsfälle
  • Entwicklung einer Verkaufsprognose
  • Kundensegmentierung mit Clustering
  • Anomalieerkennung in Zeitreihendaten
  • Textanalyse und Sentimentanalyse
  • Bildklassifizierung mit Deep Learning
  • A/B-Testing und statistische Auswertung
Produktivsetzung von Data Science Projekten
  • Versionskontrolle mit Git
  • Modellspeicherung und -deployment
  • Automatisierung von Workflows
  • API-Entwicklung mit Flask
  • Containerisierung mit Docker
  • Monitoring und Wartung von Modellen