Data Science Business Akademie | Data Science Know-how fürs Business

Explorer Practitioner Expert Special Alle Seminare

Köln 3 Tage Practitioner

2. April 2023

Einführung R für Data Scientists

Die Schulung vermittelt die Grundlagen zum Einsatz von R, eine der meistverwendeten Data-Science Programmiersprachen weltweit. In der Schulung wird auf konkrete Data-Science Fragestellungen im Unternehmenskontext eingegangen.

Nach der Schulung werden Sie in der Lage sein, erste Projekte mit Hilfe der Programmiersprache R unter Einsatz von R Studio zu begleiten oder selbst zu starten.

Folgende Themen werden vermittelt:

Funktionale Programmierung
Grundlagen der Skriptsprache R
Entwicklungsumgebung Rstudio
Grundlegende statistische Verfahren
Umsetzung exemplarischer Data-Science-Prozesse in R
Visualisierung und Vorverarbeitung der Daten
Modellbildung mit aktuellen Machine-Learning-Algorithmen
Erstellung und Bewertung von Prognosen für typische Anwendungsfälle

Jetzt Buchen

Köln 1 Tage Explorer

7. Januar 2021

Data Science: Grundlagen der Statistik kompakt

Kompaktschulung zu statistischen Grundlagen, die für die Themengebiete Data Science und Machine Learning notwendig sind.

Mit dieser Grundlagenschulung bauen Sie sich ein statistisches Fundament auf. Die Kompaktschulung vermittelt die wesentlichen Grundlagen der beschreibenden und schließenden Statistik.

Folgende Themen werden behandelt:

Grundlagen der beschreibenden Statistik
- Stichprobe versus Gesamtheit
- statistische Skalen: nominal, ordinal, metrisch
- relative Häufigkeiten und kumulierte relative Häufigkeiten, empirische Verteilungsfunktion
- Histogramm für klassierte Daten
- Lagemaße: arithmetisches Mittel, Median, Quantile
- Box-Whisker-Plot
- Streuungsmaße: Varianz und Standardabweichung
- zweidimensionale Datensätze, Streudiagramm
- Zusammenhangsmaße: Korrelation
- Lineare Regression
Grundlagen der schließenden Statistik
- Schließen von der Stichprobe auf die Gesamtheit
- Wahrscheinlichkeit versus relative Häufigkeit
- diskrete und stetige Zufallsvariablen
- Gaußkurve, Normalverteilung
- Vertrauensbereich, Konfidenzintervalle
- Grundlagen der Hypothesentests (Nullhypothese, Alternativhypothese, Signifikanzniveau)
- Hypothesentest-Typen (Mittelwerttest, Anteilstest, Unabhängigkeitstest, F-Test als Gesamtmodell-Test, t-Test) und Anwendungsbereiche
- Ausblick: einfaktorielle Varianzanalyse
- Diskussion spezifischer Fragestellungen aus der beruflichen Praxis

Jetzt Buchen

Köln 2 Tage Special

7. Januar 2021

Tableau – Einstieg in Visualisierungen und Dashboards

Die 2-tägige Schulung bereitet Erstanwender und Anfänger auf die Erstellung von Visualisierungen und Dashboards mit Tableau, inkl. Dateneinlesung, Formeln und Stories vor.

Teilnehmer haben nach der Schulung erste praktische Erfahrung mit der Anwendung von Tableau gemacht und sind für eine produktive Arbeit und die Erstellung von Dashboards mit Tableau bestens gerüstet.

Folgende Themen werden behandelt:

Vorstellung des Tools und seiner Varianten
Anbindung von Datenquellen
Unterschiede Extrakt- und Live-Datenquellen
Optional: Erstellung von Serverdatenquellen zur gemeinsamen Nutzung
Ebenen der Datenfilterung
Erstellung von Visualisierungen
Zeitliche und geographischen Datenanalyse
Unterschied diskrete und fortlaufende Dimensionen
Formelerstellung und Berechnungen
Berechnungskontexte: Level-of-Detail-Ausdrücke
Erstellung von Gruppen und Sets
Erstellung von Dashboards
Erstellung von Stories
Verknüpfung unterschiedlicher Datenquellen: Join und Blending

Jetzt Buchen

Köln 1 Tage Explorer

8. Januar 2021

Data Science: Grundlagen der Statistik, Praxistag mit Excel

In diesem Praxistag lernen Sie die drei Zugangswege zu statistischen Analysen in Verwendung mit Excel kennen. Durch die Arbeit mit Fallbeispielen bekommen Sie ein Verständnis für die Darstellung und Berechnung verschiedener Kennzahlen, Analysen und Diagramme in Excel.

Nach dem Praxistag können Sie mit Hilfe von Excel eigenständig statistische Analysen erstellen, statistische Kennzahlen berechnen und Diagramme erzeugen.

Folgende Themen werden behandelt:

Excel: Statistik mit den Analyse-Funktionen
Excel: Statistik mit den Formeln
Excel: Statistik mit den Diagrammen
Fallstudie, Berechnung von statistischen Kennzahlen
Fallstudie, Darstellung von statistischen Diagrammen
Unterschiede in den verschiedenen Excel-Versionen
Diskussion spezifischer Fragestellungen aus der beruflichen Praxis

Jetzt Buchen

Köln 1 Tage Explorer

11. Januar 2021

Daten, das Öl des 21. Jahrhunderts – Basiswissen und Anwendungen

Daten sind das Öl des 21. Jahrhunderts. Diese Schulung vermittelt das Basiswissen zu Daten, Dateiformaten und Datenanalyse. Nach der Schulung können Sie zwischen Daten, Informationen und Wissen unterscheiden. Sie können Dateiformate entsprechend zuordnen und wissen wie Daten gespeichert und analysiert werden.

Nach der Schulung haben Sie ein Grundverständnis für Daten. Sie können zwischen Daten und Informationen unterscheiden und wissen, wie Sie Dateiformate zu der dazugehörigen Funktion einordnen. Sie kennen die unterschiedlichen Quellen von Daten und können einschätzen, welchen Mehrwert das Thema Künstliche Intelligenz bietet.

Folgende Themen werden behandelt:

Daten und Informationen
- Welchen Unterschied gibt es zwischen Daten und Informationen?
Kontext und Codierung
- Sie lernen, wie aus Daten Zeichen und Symbole und dadurch Informationen werden und welche Rolle dabei Computer haben
Dateiformate und Datenquellen
- In Gruppen lernen Sie unterschiedliche Daten- und Dateiformate kennen (Ton-Format, Text-Format, Bildformat) und welche Informationen daraus gewonnen werden können. Sie lernen den Unterschied zwischen strukturierten und unstrukturierten Daten
Datenvisualisierung
- Nach einer kurzen Einführung in die Visualisierung können Sie verschiedene Visualisierungstypen (wie Balkendiagramme, Liniendiagramme) ausprobieren und lernen die Grundlagen, um den richtigen Typ auszuwählen.
Big Data
- Big Data ist seit Jahren ein Hype. Sie lernen die Grundlagen von Big Data und die Anwendungsgebiete ohne Buzzword-Bingo.
Daten abfragen
- SQL gilt seit jeher als die Standardsprache um Daten abzufragen. In einfachen Übungen lernen Sie die Grundzüge von SQL kennen.
Wissen aus Daten generieren
- Mit Hilfe Algortihmen aus dem Bereich der Künstlicher Intelligenz können Informationen und selbständig Wissen aus Daten erstellt werden. Sie lernen in einfachen interaktiven Gruppenübungen ohne Programmierung ein paar dieser Algorithmen kennen.
Daten in Unternehmen
- Welche Daten gibt es im Unternehmen und wie können Unternehmen von Daten profitieren?
Karrieren im Datenumfeld
- Data Scientist, Data Enginer, Data Analyst etc.

Jetzt Buchen

Köln 4 Tage Expert

11. Januar 2021

Deep Learning mit Python & Keras

Diese Schulung wurde für technisch interessierte Fachkräfte mit Grundkenntnissen in Python konzipiert. Sie ist geeignet für alle Teilnehmer, die mehr über Neuronale Netze lernen und mit Keras eigene Neuronale Netze aufbauen und trainieren und damit den Sprung in fortgeschrittene Machine Learning Techniken wagen möchten.

Durch praktische Übungen wird vermittelt, wie Bild-, Text und numerische Daten für Training und Schätzung vorbereitet werden. Nach der Schulung kennen Sie den kompletten Workflow des Machine Learning mit der Deep Learning Bibliothek Keras. Sie sind in der Lage Daten, und Optionen des Einsatzes neuronaler Netze zu prüfen udn Modelle zielsicher auszuwählen und zu trainieren.

Folgende Themen werden behandelt:

Wie lernen Neuronale Netze?
- Variablen, Modelle und Zusammenhänge
- Künstliche Neuronen und neuronale Netze
- Mathematische Grundlagen des Anlernprozesses: Backpropagation, Loss und Gradient Descent
Neuronale Netze mit Keras aufbauen und trainieren
- Graphen mit Tensorflow erstellen
- Ein einfaches Netz mit Keras und Tensorflow aufbauen und anlernen
- Welches Modell ist das richtige? Evaluation und Anpassung angelernter Modelle.
- Einsatz angelernter Modelle zur Klassifzierung und Schätzung
- Modelle speichern und laden
- Overfitting mit Dropout-Layern verhindern
- Überwachung des Anlernprozesses mit TensorBoard
Maschinelles Sehen: Konvolutionale neuronale Netze (CNN)
- Bilddateien als mehrdimensionale Matrizen
- Details sehen und Formen abstrahieren: Konvolutionale Netze (CNN)
- Konvolutionale Layer mit Keras aufbauen und anlernen
- Vortrainierte Layer einsetzen
Mit Sequenzdaten arbeiten: Rekurrente neuronale Netze (RNN)
- Zeitreihendaten und Textsequenzen: Eigenschaften und Eigenheiten
- Neuronale Netze mit Gedächtnis (Feedforward vs. RNN)
- Sequenzdaten mit LSTM (Long Short-Term Memory) aufbauen
- Textdaten mit Embedding-Layers interpretieren
Feature Extraction: Numerische Daten, Bild und Text-Daten vorbereiten
- Datenrepräsentation: Skalare, Vektoren & Matrizen in Numpy
- Daten einlesen und vorbereiten mit Pandas, Scikit-learn und Keras
- Qualitativer Variablen und Dummy-Sets
- Standardisierung von Daten
- Dimensionsreduktion mit PCA
- Bilddateien transformieren
- Mit Textdaten arbeiten: Zerlegen, tokenizieren, vektorisieren und einbetten.

Jetzt Buchen

Köln 3 Tage Explorer

11. Januar 2021

Daten und Künstliche Intelligenz (KI / AI) – Basiswissen und Anwendungen

Bereiten Sie sich mit dieser 3-tägigen Schulung auf die Herausforderungen der nächsten Jahre vor. Künstliche Intelligenz oder auch Artificial Intelligence sind zur Zeit die Topthemen auf jeder Konferenz. Die Schulung vermittelt, was sich hinter den mächtigen Schlagworten Künstliche Intelligenz, Machine Learning und Deep Learning verbirgt. Sie werden verstehen, wofür KI/AI eingesetzt werden kann, wie neuronale Netze funktionieren und welche Anwendungszwecke für Ihre Projekte machbar sind und wo es heute noch Grenzen gibt.

Nach der Schulung haben Sie ein Grundverständnis für Daten. Sie können zwischen Daten und Informationen unterscheiden und wissen, welchen Mehrwert Künstliche Intelligenz für Ihre Einsatzzwecke bietet und wo die Grenzen des Machbaren liegen. Sie haben ein gängiges KI-Projekt durchgeführt und kennen die Unterschiede von Deeplearning und Machine Learning.

1. Tag:

Daten und Informationen
- Welchen Unterschied gibt es zwischen Daten und Informationen?
Kontext und Codierung
- Sie lernen, wie aus Daten Zeichen und Symbole und dadurch Informationen werden und welche Rolle dabei Computer haben
Dateiformate und Datenquellen
- In Gruppen lernen Sie unterschiedliche Daten- und Dateiformate kennen (Ton-Format, Text-Format, Bildformat) und welche Informationen daraus gewonnen werden können. Sie lernen den Unterschied zwischen strukturierten und unstrukturierten Daten
Datenvisualisierung
- Nach einer kurzen Einführung in die Visualisierung können Sie verschiedene Visualisierungstypen (wie Balkendiagramme, Liniendiagramme) ausprobieren und lernen die Grundlagen, um den richtigen Typ auszuwählen.
Big Data
- Big Data ist seit Jahren ein Hype. Sie lernen die Grundlagen von Big Data und die Anwendungsgebiete ohne Buzzword-Bingo.
Daten abfragen
- SQL gilt seit jeher als die Standardsprache um Daten abzufragen. In einfachen Übungen lernen Sie die Grundzüge von SQL kennen.
Wissen aus Daten generieren
- Mit Hilfe Algortihmen aus dem Bereich der Künstlicher Intelligenz können Informationen und selbständig Wissen aus Daten erstellt werden. Sie lernen in einfachen interaktiven Gruppenübungen ohne Programmierung ein paar dieser Algorithmen kennen.
Daten in Unternehmen
- Welche Daten gibt es im Unternehmen und wie können Unternehmen von Daten profitieren?
Karrieren im Datenumfeld
- Data Scientist, Data Enginer, Data Analyst etc.

2. - 3. Tag:

Machine Learning
- Viele Algorithmen, die im Bereich der Künstlichen Intelligenz eingesetzt werden stammen aus dem Bereich des maschinellen Lernens. In kleinen Gruppen befassen Sie sich mit einzelnen Kernelementen, ganz ohne die Mathematik.
Deep Learning
- Neuronale Netzwerke und Deep Learning Algorithmen haben in den letzten Jahren zu einem großen Anstieg von KI-Projekten geführt. Wir sehen uns diese Algorithmen an und Sie lernen die Anwendungsgebiete und Grenzen kennen.
Anwendungsgebiete
- Welche Projekte wurden mit Hilfe von KI durchgeführt? Wie hat KI Unternehmen beeinflusst? Welche Algorithmen verwenden Amazon, Facebook und Co? Sie lernen die verschiedensten Gebiete von Künstlicher Intelligenz kennen.
KI - Grenzen
- Liest man aktuelle Zeitungsartikel scheint der Künstlichen Intelligenz keine Grenzen gesetzt werden. Wir werden mit verschiedenen Mythen aufräumen und Ansätze diskutierern.
KI-Projekt
- Entwicklung eines KI-Projekts.

Jetzt Buchen

Köln 2 Tage Explorer

12. Januar 2021

Künstliche Intelligenz (KI / AI) – Basiswissen und Anwendungen

Bereiten Sie sich mit dieser 2-tägigen Schulung auf die Herausforderungen der nächsten Jahre vor. Künstliche Intelligenz oder auch Artificial Intelligence sind zur Zeit die Topthemen auf jeder Konferenz. Die Schulung vermittelt, was sich hinter den mächtigen Schlagwort Künstliche Intelligenz verbirgt. Sie werden verstehen, wofür KI/AI eingesetzt werden kann, welche Anwendungszwecke für Ihre Projekte machbar sind und wo es heute noch Grenzen gibt.

Folgende Themen werden behandelt:

Daten und Informationen
- Welchen Unterschied gibt es zwischen Daten und Informationen?
Kontext und Codierung
- Sie lernen, wie aus Daten Zeichen und Symbole und dadurch Informationen werden und welche Rolle dabei Computer haben
Dateiformate und Datenquellen
- In Gruppen lernen Sie unterschiedliche Daten- und Dateiformate kennen (Ton-Format, Text-Format, Bildformat) und welche Informationen daraus gewonnen werden können. Sie lernen den Unterschied zwischen strukturierten und unstrukturierten Daten.
Datenvisualisierung
- Nach einer kurzen Einführung in die Visualisierung können Sie verschiedene Visualisierungstypen (wie Balkendiagramme, Liniendiagramme) ausprobieren und lernen die Grundlagen, um den richtigen Typ auszuwählen.
Machine Learning
- Viele Algorithmen, die im Bereich der Künstlichen Intelligenz eingesetzt werden stammen aus dem Bereich des maschinellen Lernens. In kleinen Gruppen befassen Sie sich mit einzelnen Kernelementen, ganz ohne die Mathematik.
Deep Learning
- Neuronale Netzwerke und Deep Learning Algorithmen haben in den letzten Jahren zu einem großen Anstieg von KI-Projekten geführt. Wir sehen uns diese Algorithmen an und Sie lernen die Anwendungsgebiete und Grenzen kennen.
Anwendungsgebiete
- Welche Projekte wurden mit Hilfe von KI durchgeführt? Wie hat KI Unternehmen beeinflusst? Welche Algorithmen verwenden Amazon, Facebook und Co? Sie lernen die verschiedensten Gebiete von Künstlicher Intelligenz kennen.
KI - Grenzen
- Liest man aktuelle Zeitungsartikel scheint der Künstlichen Intelligenz keine Grenzen gesetzt werden. Wir werden mit verschiedenen Mythen aufräumen und Ansätze diskutierern.
KI-Projekt
- Entwicklung eines KI-Projekts.

Jetzt Buchen

Köln 5 Tage Explorer

18. Januar 2021

Grundlagenwoche – Data Science

Einführung in die Methodik und Anwendung von Data Science für die Lösung betriebswirtschaftlicher datenbezogener Fragestellungen. Neben den statistischen Grundlagen der Datenanalyse stehen die Basiskonzepte des Data Mining im Fokus.

Die Teilnehmer sind in der Lage, eine vollständige Data Science Lösung zu entwerfen, umzusetzen und zu bewerten. Sie können marktübliche Kenntnisse und Kompetenzen erwerben.

Es werden Techniken der explorativen Analyse, der Datenvorbereitung und des überwachten und nichtüberwachten Lernens vermittelt. Deskriptive und induktive Verfahren der statistischen Datenanalyse werden vorgestellt.

Jetzt Buchen

Köln 5 Tage Special

18. Januar 2021

Python – Komplett

In dieser Schulung lernen Sie die vielfältigen Nutzungsmöglichkeiten der Programmiersprache Python kennen. Durch eine Reihe praktischer Übungen können Sie nach der Schulung problemlos eigene Entwicklungen vorantreiben und die Vorteile von Python für Ihre Projekte nutzen.

Nach der Schulung haben Sie alle wesentlichen Punkte der Programmiersprache Python gelernt. Sie verstehen das Konzept der Python-Klassen und können relationale und objekt-orientierte Datenbanken in Verbindung mit Python problemlos einsetzen.

Folgende Inhalte werden behandelt: 1.-3. Tag

Organisation von Python-Code bei umfangreichen Projekten
- Packages
- import
list, tuple, dict (Zusammenfassung aus "Python-Einführung"
list, tuple dict, set (advanced features):
- List Comprehensions
- Generator-Ausdrücke
- Iteratoren
- Mengen (sets)
- dict: update, get, setdefault, pop, items
Funktionsparameter
- Parameter-Defaults
- Funktionen mit beliebig langen Parameterlisten
- Packen und Entpacken von Listen, Tupeln und Dictionaries
- als Sequenzen von Funktionsparametern
Typumwandlungen der Grunddatentypen
- int, float, str, dict, list, tuple, set
Verschachtelte Collections
- Result sets, list of dictionaries
Dateien, Objektserialisierung und Objektbanken
- file
- shelf als Beispiel von pickle-Anwendung
Python-Klassen (Python-Typen)
- object methods
- static methods
- class methods
- get/set methods (Vergleich mit JavaBeans)
- properties
- filigrane Zugriffsrechte auf Objektattribute
- (Vergleich mit Java-Zugriffsrechten)
- Operatorenüberladung
- list-like objects
- dictionary-like objects
- callable objects
- Vererbung
Exceptions
- Eigene Fehlerklassen modellieren
- Eigene Fehlerobjekte in Methoden einbauen
Das Dokumentationssystem von Python
- das Objektattribut __doc__ (docstring)
- reStructuredText als Syntax von docstring
- automatische Generierung von Dokumentation (epydoc)
Python UnitTests (eine kurze Einführung)
- der Zusammenhang von UnitTests und docstrings
- der Python-Interpreter als Betriebssystem
- die Module os, sys, shutils
Graphische Benutzeroberfläche (GUI) (eine kurze Einführung)
SQL-Datenbankanbindung mit Python (kurze Beispiele)
Threads (eine kurze Einführung)

4.-5. Tag SQL mit Python:

Python SQLite
- neue Tabellen anlegen
- Daten in die Tabelle einfügen
- Daten abfragen
- update
- Datentypen in SQLite
- Adapter und Konvertierer
Die Einheitliche Python-DB-API
Python und MySQL (MySQLdb)
Python und Oracle
Python und ODBC

Python-Objektdatenbank (ZODB-Zope Object Database)

ZODB als selbständige Datenbank installieren (ohne Zope)
Die Erfüllung von Datenbank-Standards (ACID) durch die ZODB
- Atomicity
- Consistency
- Isolation
- Durability
Die hierarchische Objektstruktur der ZODB
Persistenzregeln beim Update von Veränderungen an ZODB-Objekten
Persistente Objektreferenzen in der ZODB
Hinweis auf advanced features: mounting, distributing
Eine einfache Anwendung als Beispiel

Object Relational Mapping

SQLAlchemy als Brücke zwischen ZODB und SQL-Datenbanken

Jetzt Buchen

Köln 3 Tage Explorer

18. Januar 2021

Künstliche Intelligenz (KI) & Business Analytics: Grundlagen und Anwendung

Die 3-tägige Schulung vermittelt die Grundlagen von Business Analytics mithilfe von Künstlicher Intelligenz. Anhand einer ausgewogenen Mischung zwischen Theorie und praktischer Übungen lernen Sie Methoden und Werkzeuge kennen, die Sie im Berufsalltag gewinnbringend nutzen können.

Nach der Schulung kennen Sie die Möglichkeiten, die Ihnen Business Analytics in Kombination mit KI bietet. Sie haben einen Überblick über die Technologien und wissen, welche Tools und Methoden für den jeweiligen Anwendungszweck die richtige Wahl sind.

Begrüßung und Vorstellung der Agenda
Begriffsklärung
- Was ist Künstliche Intelligenz?
- Was ist Business Analytics?
- Wozu dient es?
- Wozu ist es in der Lage und wozu nicht?
Chancen und Risiken von KI und Business Analytics
- Wo betrifft es uns im Alltag, im Arbeitsleben und als Unternehmen?
- Welche Beispiele zeigen auf, welche Chancen und Risiken sich durch den Wandel ergeben können?
Daten als Grundlage von KI und Analytics
- Was ist der Unterschied zwischen Daten, Information und Wissen?
- Sie werden verstehen, wie KI und Analytics funktioniert und klarkommt mit dem riesigen Datenvolumen (Big Data...), der Vielfalt der Datenformate (strukturiert, unstrukturiert, teilstrukturiert), unterschiedlicher Datenqualität und wie aus Daten in Abhängigkeit vom Kontext (die Situation des Einzelnen bzw. der Organisation) Mehrwert entsteht.
- Aus welchen Quellen stammen die Daten?
- Wie werden die Daten sinnvoll aufbereitet, bevor man mit KI und Analytics effizient und zeitnah den Mehrwert maximieren kann?
Datenvisualisierung
- Visualisierung erleichtert das intuitive Verständnis von Zusammenhängen besser als eine tabellarische Darstellung.
- Informationsvisualisierung kombiniert die Stärken der interaktiven Datenanalyse mit der menschlichen Fähigkeit des intuitiven Verständnisses von Zusammenhängen.
- Sie lernen in Übungen ansprechende Abbildungen wie Column-, Pie-, Spark-, Plot-, Scatter- , Stock-, Radar-Chart, 3-D Karten und individuelle Karten zu erstellen und diese in einem Dashboard zusammenzuführen.
- Übungen können individuell oder in Gruppen erfolgen.
Anwendungsbereiche von KI und Business Analytics
- Wie und wo lassen sich KI und Business Analytics real nutzen, um aus der Vergangenheit zu lernen, in der Gegenwart richtig zu handeln und sich für die Zukunft vorzubereiten?
- Anhand zahlreicher Beispiele wird dies vorgestellt. Die Fallstudien behandeln u.a. Unternehmen wie Amazon, Flixbus, Daimler und Anwendungsbereiche wie Kreditwürdigkeitsprüfung, Performance Management, Früherkennung von Trends basierend auf Daten aus sozialen Netzwerken wie Twitter und Facebook, Identifikation von Cross-Selling Möglichkeiten, Gestaltung von Prognosen und Planung.
Methoden der Künstlichen Intelligenz und des Maschinellen Lernens
- Wie funktioniert Künstliche Intelligenz?
- Wie funktioniert das überwachte, teilüberwachte und unüberwachte Maschinelle Lernen (Lineare Modellierung, Neuronale Netze, Klassifikation, Entscheidungsbäume).
- Was ist Data Mining?
- Wie kann man aus Texten, u.a. aus dem Internet und ganz aktuell, wertvolle Erkenntnisse gewinnen mit Hilfe von Text Mining, Natural Language Processing und Sentimentanalyse (positive oder negative Stimmung von Textbeiträgen).
Technologien und Anwendungen
- Welche Technologien stehen zur Nutzung von Künstlicher Intelligenz und Business Analytics zur Verfügung und welche davon sind besonders bedeutend?
- Sie werden hier die Möglichkeit erhalten, selbst mit Daten zu arbeiten und KI und Business Analytics praktisch zu erlernen.
- Für die Übungen wird u.a. mit dem kostenlosen Open-Source-Produkt R gearbeitet.
- Was Sie hier lernen, das können Sie, da R keine Lizenz erfordert, hinterher gleich in Ihrer eigenen Organisation auch praktisch zum Einsatz bringen.
Herausforderungen bei der Einführung
- Was ist bei der Einführung zu berücksichtigen?
- Was sind mögliche Stolperfallen?
- Was sind bewährte Vorgehensweisen und Erfolgsfaktoren für die Umsetzung?
Karriere machen mit Kompetenz
- Wie sieht der Arbeitsmarkt für Personen mit Kompetenz in KI und Business Analytics aus?
- Welche Profile sind besonders gefragt?

Jetzt Buchen

Köln 3 Tage Special

25. Januar 2021

Python für Programmiereinsteiger

Mit der 3-tägigen Schulung fällt der Einstieg für Programmiereinsteiger mit Python leicht. Der Kurs startet mit einer Einführung in Python, geht über die Syntax von Python zu vielen Übungen zur Programmlogik, behandelt die Objektorientierte Programmierung und Exceptionhandling in Python. Neben einem intensiven und praxisorientierten Basistraining zu Python wird ein einheitliches Grundwissen in der objektorientierten Programmierung vermittelt.

Durch praxisorientierte Übungen zur Programmlogik und eine umfassende Schulung zum Einstieg in die objektorientierte Programmierung sind Sie bestens gerüstet, um Python für Ihre Unternehmenszwecke einzusetzen.

Folgende Themen werden behandelt:

Einführung in Python
- Python: Unterschied zu Java / C#.NET / C++ / PHP
- Kurzübersicht über die Editoren
- Die Entwicklungsumgebung
- Einrichten eines Python-Projekts
- Grundsätzlicher Aufbau eines Python-Programms
Syntax von Python
- Die Help-Funktion
- Kommentare
- Allgemeine Datentypen
- int, float, Decimal, bool, string
- Konvertierungen zwischen Datentypen
- Logische und arithmetische Operatoren
- Formatierte Ausgaben mit format()
- Funktionen, Parameterübergabe
- Die pass-Anweisung
- Lambda-Expressions
Übungen zur Programmlogik
- Viele ausgewählte Übungen
- Schleifen: for und while
- Die range-Funktion
- Bedingungen: if, elif, else
- Übungen zu verbesserter Performance
Objektorientierte Programmierung
- Einstieg in objektorientierte Programmierung
- Datenkapselung, Vererbung, Polymorphie
- Klassen und Objekte
- Die Klasse Object
- Mehrfachvererbung
- Überschreiben von Methoden der Basisklasse
- Viele Übungen: eigene Klassen schreiben
Exceptionhandling in Python
- Die Klasse Exception
- try / except / finally
- Erstellen einer eigenen Fehlerklasse
Weitere optionale Themen
- Dateien lesen und schreiben
- Operatorüberladung
- Reguläre Ausdrücke

Jetzt Buchen

Köln 2 Tage Explorer

25. Januar 2021

Data Science – Einführung für angehende Data Scientists

Die 2-tägige Schulung bereitet Sie auf einen Einstieg im Bereich Data Science vor. Neben Grundlagenwissen zu Data Science und Machine Learning, werden Sie Tools und Sprachen kennenlernen, die für ganz unterschiedliche Aufgabengebiete im Arbeitsumfeld eines Data Scientists eingesetzt werden.

Nach der Schulung haben Sie das Grundlagenwissen, um als Data Scientist im Unternehmenskontext erste Herausforderungen zu meistern und eigene Ideen weiterzuentwickeln.

Folgende Themen werden behandelt:

Einführung und Einbindung von Data Science in einen betriebswirtschaftlichen Rahmen
Vorgehensmodelle und Zieldefinitionen für Data-Science-Projekte
Data-Science-Methoden (insbesondere Machine Learning) und Werkzeuge
Praktische Umsetzung eines Data-Science- Prozesses in einem Tool
Tipps, Tricks und Kniffe für ein gutes Data-Science-Produkt

Jetzt Buchen

Köln 5 Tage Practitioner

1. Februar 2021

Praxiswoche – Data Science mit Python

Die Teilnehmer erhalten einen Einstieg in Python und Pandas, um Daten zu analysieren und Machine Learning Algorithmen einsetzen zu können. Die durchgängigen Praxisbeispiele mit vielen Übungen führen wie ein roter Faden durch diese Schulung.

Nach dem Seminar sind Sie in der Lage Pandas als Data Science Tool für Ihre Projekte zu nutzen. Darüber hinaus lernen Sie die Umsetzung grundlegender Data Science Schritte in Python kennen, sodass sie Ihre Projekte auch direkt in einer Programmiersprache umsetzen können.

Datenstrukturen in Python, Einführung in das Data Science Paket pandas (Daten einlesen, Data handling), grundlegende Statistiken mit pandas, Algorithmen im Data Science

Jetzt Buchen

Köln 4 Tage Special

1. Februar 2021

Data Science mit RapidMiner: Grundlagen und fortgeschrittene Themen für Analysten

Die Schulungen sind auch geeignet, um neue Data Scientists auszubilden oder erfahrenen Data Scientists den Umstieg auf die Plattform RapidMiner zu erleichtern.

Nachdem Sie die Schulung besucht haben können Sie durch Ablegen einer Prüfung das Zertifikat „RapidMiner Analyst “ erwerben, mit dem Sie Ihre neue Qualifizierung nach außen sichtbar machen.

Grundlegende Methoden der Datenaufbereitung, Erstellen analytischer Vorhersagemodelle, Anwendung analytischer Vorhersagemodelle, Evaluation von Modellen im Hinblick auf verschiedene Gütekriterien, Weiterführende Methoden der Datenaufbereitung, Erstellen komplexer, analytischer Vorhersagemodelle, Anwendung analytischer Vorhersagemodelle, Evaluation und Optimierung von Modellen im Hinblick auf verschiedene Gütekriterien

Jetzt Buchen

Köln 5 Tage Special

1. Februar 2021

Python – Komplett

Folgende Inhalte werden behandelt: 1.-3. Tag

Organisation von Python-Code bei umfangreichen Projekten
- Packages
- import
list, tuple, dict (Zusammenfassung aus "Python-Einführung"
list, tuple dict, set (advanced features):
- List Comprehensions
- Generator-Ausdrücke
- Iteratoren
- Mengen (sets)
- dict: update, get, setdefault, pop, items
Funktionsparameter
- Parameter-Defaults
- Funktionen mit beliebig langen Parameterlisten
- Packen und Entpacken von Listen, Tupeln und Dictionaries
- als Sequenzen von Funktionsparametern
Typumwandlungen der Grunddatentypen
- int, float, str, dict, list, tuple, set
Verschachtelte Collections
- Result sets, list of dictionaries
Dateien, Objektserialisierung und Objektbanken
- file
- shelf als Beispiel von pickle-Anwendung
Python-Klassen (Python-Typen)
- object methods
- static methods
- class methods
- get/set methods (Vergleich mit JavaBeans)
- properties
- filigrane Zugriffsrechte auf Objektattribute
- (Vergleich mit Java-Zugriffsrechten)
- Operatorenüberladung
- list-like objects
- dictionary-like objects
- callable objects
- Vererbung
Exceptions
- Eigene Fehlerklassen modellieren
- Eigene Fehlerobjekte in Methoden einbauen
Das Dokumentationssystem von Python
- das Objektattribut __doc__ (docstring)
- reStructuredText als Syntax von docstring
- automatische Generierung von Dokumentation (epydoc)
Python UnitTests (eine kurze Einführung)
- der Zusammenhang von UnitTests und docstrings
- der Python-Interpreter als Betriebssystem
- die Module os, sys, shutils
Graphische Benutzeroberfläche (GUI) (eine kurze Einführung)
SQL-Datenbankanbindung mit Python (kurze Beispiele)
Threads (eine kurze Einführung)

4.-5. Tag SQL mit Python:

Python SQLite
- neue Tabellen anlegen
- Daten in die Tabelle einfügen
- Daten abfragen
- update
- Datentypen in SQLite
- Adapter und Konvertierer
Die Einheitliche Python-DB-API
Python und MySQL (MySQLdb)
Python und Oracle
Python und ODBC

Python-Objektdatenbank (ZODB-Zope Object Database)

ZODB als selbständige Datenbank installieren (ohne Zope)
Die Erfüllung von Datenbank-Standards (ACID) durch die ZODB
- Atomicity
- Consistency
- Isolation
- Durability
Die hierarchische Objektstruktur der ZODB
Persistenzregeln beim Update von Veränderungen an ZODB-Objekten
Persistente Objektreferenzen in der ZODB
Hinweis auf advanced features: mounting, distributing
Eine einfache Anwendung als Beispiel

Object Relational Mapping

SQLAlchemy als Brücke zwischen ZODB und SQL-Datenbanken

Jetzt Buchen

Köln 2 Tage Practitioner

1. Februar 2021

Machine Learning und Deep Learning im Unternehmenseinsatz

Die 2-tägige Schulung bereitet Sie auf den Einsatz von Machine Learning Technologien im Unternehemenseinsatz vor. Die Schulung richtet sich an interessierte Fachkräfte bzw. Projektleiter, die einen Einstieg in die Praxis der Machine Learning Techniken suchen, um Data Science Projekte eigenständig zu gestalten.

Nach der Schulung wissen Sie, wie maschinelles Lernen funktioniert und welche Tools für Ihren Einsatzzweck die richtige Wahl sind. Sie kennen verschiedene Modellierungsalgorithmen und können anhand der Fragestellung die Auswertungsmetrik wählen, die der Lösung der Fragestellung am besten entspricht.

Inhalt

1. Tag: Einführung in die Datenwissenschaft für datengetriebene Entscheidungen Sie lernen, wie man wirtschaftliche Fragestellungen in ein Modellierungsproblem umwandelt. Wir starten dazu mit realen Daten und bereiten diese für die Modellierung vor.

Einsatz von maschinellem Lernen für Geschäftszwecke
- Churn Prediction
- Prevention
- Ad Click Predictions
- Recommender Systems
- Image Recognition
- Fraud and Risk Detection
- Dynamic Pricing Calculations
- Sports Analytics
- Engagement Increase
- Predictive Demand
- Neue Kreditvergabemodelle
Von wirtschaftlichen Fragestellungen zum Model
Praxis: Arbeit mit Daten
- Datensäuberung
- Behandlung fehlender Werte
- Ausreißer
- Verteilungen
- Datentransformation
- Selektion von Merkmalen
- Dimensionsreduzierung (Principal Component Analysis, PCA)
- Erste Modellierung mit ausgewähltem Klassifikator

2. Tag: Von Modellierungsalgorithmen bis hin zur Optimierung Sie bekommen einen Überblick über verschiedene Algorithmen, die für die Modellierung verwendet werden können. Es wird gezeigt, wie das Ergebnis der Modellierung durch Parametertuning verbessert werden kann. Des Weiteren wird im Detail gezeigt, wie man eine passende Auswertungsmetrik wählt, die der Lösung der Fragestellung am besten entspricht.

Überblick über Modellierungsalgorithmen
- Klassifizierung
- Clustering
- Regression
Praxis: Auswertung der Performance verschiedener Algorithmen mit den
Daten vom ersten Tag
Deep Learning
Auswertung der Metriken und welche Metrik für welche Probleme eingesetzt werden sollte
- Accuracy (Genauigkeit)
- ROC (Receiver-Operating-Characteristic-Kurve bzw.
- Grenzwertoptimierungskurve)
- AUC (Area under the curve)
- Precision
- Recall
- Confusion Matrix (Wahrheitsmatrix)
Cross Validation (Kreuzvalidierungsverfahren)
Feature Engineering
Praxis: Mit Daten vom ersten Tag wählen wir die am besten geeignete Metrik für das Problem aus, suchen das am besten passende Model aus und nutzen Cross Validation für die finale Modellierung. Damit lässt sich die Frage beantworten, was die maximal-beste Performance des Modells ist, das erzielt werden konnte.
Diskussion

Jetzt Buchen

Köln 5 Tage Explorer

8. Februar 2021

Einstieg in Data Science und Data Analytics mit KNIME und Tableau

Die 5-tägige Schulung bietet einen Einstieg in Data Science und Data Analytics mit KNIME und Tableau. Die Schulung eignet sich vor allem für Mitarbeiter, die zukünftig Reportings und Business Analysen mit Hilfe von Data Science Anwendungen erstellen möchten.

Nach der Schulung haben Sie sich Grundkenntnisse in Data Science und Data Analytics erarbeitet und wissen, wie Sie mit KNIME und Tableau Daten extrahieren, transformieren, laden und visualisieren. Fachbegriffe und wesentliche Konzepte aus dem Bereich Data Science und Data Analytics können Sie nun richtig einordnen.

Folgende Themen werden behandelt:

Einführung und Kontext
- Überblick Data Science, Data Analytics und Co.
- Chancen und Risiken der Data Science
- Tools für das interaktive Reporting
- Ergebniskommunikation und Reporting
- Tools zur Datenanalyse
Extract, Transform, Load (ETL) mit KNIME
- Einführung in KNIME
- Datenimport von einfachen Formaten
- Datenprüfung
- Zusammenführen von Daten
- Datenbereinigung
- Datenformate
- Arbeitsdokumentation
- Workfloworganisation
- Weiterbearbeitung von Daten
- Datenvisualisierung
- Datenexport
KNIME - Erweiterte Möglichkeiten und Anwendungen
- Datenimport aus Datenbanken lokal und remote
- Data Streaming
- Zeit- und Datumsformate
- Logik und Mathematische Operationen
- Grundlagen der Statistik
- Looping in KNIME
- Datenexport in lokalen und remote Datenbanken
- automatisierte Prozesse
- Emailversand
- Vorstellung weiterer Datatools
Business Analysis & Reporting (BAR) mit Tableau
- Einführung in Tableau
- Datenimport in Tableau aus verschiedenen Quellen
- Datenvorbereitung
- Einführung in das Erstellen von Ansichten
- Datenauswahl
- Konzepte Datenaggregation und Datenhierarchie in Tableau
- Filtern nach Datendimensionen
- Quickinfos erstellen und nutzen
- Erstellen von Dashboards
Tableau - Erweiterte Möglichkeiten und Anwendungen
- Arbeiten mit Ansichten
- Räumliche Darstellung
- Parametererstellung
- Erstellung von Sätzen
- Einführung und Nutzung von Trendlinien
- Datenexport
- Veröffentlichung von Reports
- Rechtemanagement
- Vorstellung weiterer interaktiver Reportingtools
Data Science - Überblick
- Einführung in die Data Science und ihre Ursprünge
- Die Stufen der Analyse (nach Gartner)
- Grundkonzepte der Statistik
- Beschreibende Statistik und Dateneigenschaften
- Regression, Overfitting, TreeMethoden, Bagging und Boosting
- Methoden zur Klassifizierung
- Cross Correlation
- Unüberwachtes Lernen
- Weitere Tools der Data Science

Jetzt Buchen

Köln 2 Tage Special

11. Februar 2021

Datenmodellierung in Business-Intelligence und Big-Data-Systemen

Damit ein betriebliches Informationssystem wie etwa ein Data Warehouse reibungslos funktioniert, bedarf es einer grundlegenden Datenmodellierung. Die 2-tägige Schulung vermittelt die methodischen Grundlagen und veweist auf die notwendigen technischen Aspekte. Dabei werden auch beispielhafte Lösungen für verschiedene Anwendungsfälle aufgezeigt.

Nach der Schulung kennen Sie die Grundlagen der Datenmodellierung für Business Intelligence und Data Analytics. Als Teilnehmer haben Sie verschiedene konzeptionelle Datenmodellierungsansätze kennengelernt und können nun mit Data Vault klassische Modellierungsarten einen aktuellen Modellansatz gegenüberstellen.

Folgende Themen werden behandelt:

Informationssysteme und Kennzahlen
Data-Warehouse-Systeme
Relationale Datenmodelle
Entity-Relationship-Modell
Normalformen & Historisierung
Dimensionale Datenmodelle
Agile dimensionale Modellierung
Star- und Snowflake-Schema
Modellierung mit ADAPT
Data-Vault-Datenmodelle
Modellierung von Fachlogik
NoSQL-Datenmodelle

Jetzt Buchen

Köln 3 Tage Practitioner

17. Februar 2021

Data Science mit Python – Einführung in Python

Nutzen Sie die vielfältigen Möglichkeiten von Python im Bereich Data Science. Die Schulung vermittelt in 3 Tagen das nötige Know-How, um Datenstrukturen, Visualisierungen, Statistiken und Control Flows mit Python und zusätzlichen Data Sciences Paketen wie pandas selbstständig zu erstellen und auszuwerten.

Nach der Schulung haben Sie einen guten Überblick über die Möglichkeiten von Python im Bereich Data Science. Sie lernen Machine Learning Algorithmen in Theorie und Praxis kennen und können grundlegende Statistiken mit pandas erstellen.

Folgende Themen werden behandelt:

Einführung
- Kurzer Hintergrund zu Python und Anaconda
- Installieren von neuen Paketen
- Die Entwicklungsumgebung (IDE) Spyder
- Aspekte von Python, die anders als in anderen Programmiersprachen sind
Datenstrukturen in Python
- Unterschied Funktionen vs. Methoden
- Datenstrukturen in Python (number, tuple, list, dictionary, string)
- Überblick und wichtige Methoden zu den Datenstrukturen
- Unterschied list vs. tuple
- Die Besonderheit des Wertes NaN
- Wann benutze ich welche Klammer [], (), {}?
- List comprehension
Einführung in das Data Science Paket pandas
- Elemente eines pandas data.frame
- Eine Zeile ansprechen, hinzufügen, löschen und verändern
- Eine Spalte ansprechen, hinzufügen, löschen und verändern
- Boolean indexing
- Ein leeres data.frame erstellen
- Überblick über Methoden, ein data.frame anzupassen (Spaltennamen ändern, Werte ersetzen, ein data.frame sortieren, ein data.frame nach einer kategorischen Variable gruppieren, randomisiert Zeilen aus einem data.frame auswählen)
Grundlegende Statistiken mit pandas
- Überblick über Statistiken, die ich mit einem data.frame berechnen kann (Anzahl an gültigen Beobachtungen, Summe, Mittelwert, Median, Minimum, Maximum, Varianz,...)
- Eine Kreuztabelle (Kontingenztafel) berechnen
- Fehlende Werte ergänzen
- Logische Operatoren
Daten einlesen
- Das Arbeitsverzeichnis in Python setzen
- Ein CSV einlesen und schreiben und Überblick über die nützlichsten Parameter hierfür
- Python's pickle modul zum Speichern von Python Objekten
- Verschiedene Datentypen konvertieren (integer, unsigned integer, float, string)
Visualisierung mit matplotlib und seaborn
- Die Hauptelemente beim Plotten mit matplotlib
- Einen Plot anpassen (x- und y-Achse ändern, Beschriftungen, Legende und Titel ändern) und speichern
- Auswahl von Farben
- Subplots erstellen
- Erstellen von Scatterplot, Linienplot, Barplot, (gruppiertes) Histogram, Boxplot
Control Flows
- Die range() Funktion
- Eine eigene Funktion schreiben
- Default Parameter in einer Funktion setzen
- For Schleifen
- If-Else Bedingungen
- While Schleife
- Logische Vergleichsoperatoren
- Zuweisungsoperatoren
Überblick über Machine Learning
- Was ist Machine Learning
- Die Einteilung von Algorithmen im Machine Learning (supervised Learning - unsupervised learning - reinforcement learning)
- Overfitting, Train-Test-Split und cross-validation (Kreuzvalidierung)
Machine Learning Algorithmen (Theorie und Praxis)
- Einführung in den Algorithmus (Lineare Regression, Entscheidungsbaum, Logistische)
- Train-Test Split der Daten
- Umsetzung des Algorithmus in Python
- Validieren der Ergebnisse (u.a. confusion matrix, sensitivity, accuracy)
- Cross-validation (Kreuzvalidierung)
Weitere Machine Learning Algorithmen in Python
- Erklärung von (SVM), Random Forest und K-means
- Umsetzung dieser Algorithmen in Python
- Validieren der Ergebnisse
- Cross-validation (Kreuzvalidierung)

Jetzt Buchen

Köln 3 Tage Expert

1. März 2021

Machine Learning mit Python

Wenn Sie Automatisierungsprozesse vorantreiben und ein Gespür für den Wert Ihrer Daten bekommen möchten, ist diese 3-tägige Schulung perfekt geeignet. Sie lernen den Umgang gängiger Lernalgorithmen aus der Scikit-Learn Bibliothek und erhalten anhand praktischer Beispiele ein Verständis zu statischen Grundlagen.

Neben der Vermittlung von Machine Learning Grundlagen liegt der Fokus dieser Schulung auf der Vorverarbeitung der Daten und der Extraktion relevanter Variablen für den Anlernprozess. Dank einer Grundlagenschulung zur praktischen Anwendung von gängigen Lernalgorithmen aus der Scikit-Learn Bibliothek fällt es am Ende der Schulung nicht schwer, Daten zielsicher zu extrahieren, Algorithmen anzulernen und diese zur Klassifizierung oder Prognose einzusetzen.

Folgenden Themen werden behandelt:

Daten ziehen und aufbereiten
- Dateien im Verzeichnis ansteuern
- Standardverfahren zum Lesen/Schreiben von Text- und CSV-Dateien
- SQL-Datenbanken ansteuern
- Arbeiten mit Datenmatrizen: Einführung in Numpy & Pandas
- Daten inspizieren und beschreiben
- Fehlende Werte behandeln
Machine Learning Grundlagen
- Grundlagen, Varianten und Techniken des Machine Learnings.
- Arbeiten mit der Machine Learning Bibliothek scikit-learn.
- Einfache Zusammenhänge zwischen stetigen Variablen modellieren: Lineare Regression
- Klassifizieren mit Logistic Regression, Softmax und Support Vector Machine.
- Modellen evaluieren: Accuracy, Precision, Recall & Confusion matrix
- Unterteilen der Daten in Trainings- und Testdaten
Feature-Extraction
- Kategoriale Daten vorbereiten: One-Hot Codierung
- Standardisierung von Daten
- Dimensionsreduktion mit PCA (Principle Component Analysis)
- Aufbereitung von Textdaten: Tokenizer und Bag-of-words.
Machine Learning Workflow
- Daten aufarbeiten und zusammenführen (DataMapper)
- Pipelines einrichten
- Speichern und laden trainierter Klassifizierer

Jetzt Buchen

Köln 2 Tage Special

22. März 2021

Analytics Architekturen für Big Data, BI, DWH und AI

In zwei intensiven Schulungstagen lernen Sie unterschiedliche Architekturvarianten kennen. Mit diesem Grundlagenwissen können Sie Architekturalternativen bewerten, Risiken einschätzen und eigene Entwürfe einbringen.

Nach der Schulung kennen Sie die aktuellen Technologien für analytische Systeme und wissen, welche Systeme für den passenden Unternehmenskontext geeignet sind.

Folgende Themen werden behandelt:

Data-Warehouse-Architekturen
Datenmodelle
Data-Warehouse-Prozesse
Reporting und Analyse
Moderne Datenhaltungskonzepte
Big-Data-Architekturen
Data Lake und Big Data Warehouse

Jetzt Buchen

Köln 1 Tage Expert

25. März 2021

Machine Learning: Grundlagen kompakt

In dieser Schulung lernen Sie, mit welchen Konzepten und Algorithmen Computer aus Beispielen lernen. Nach der Schulung werden Sie verstehen, wie Machinelles Lernen mit Neuronalen Netzen funktioniert und welche Tools hilfreich sind.

Neben wichtigen Grundkonzepten des Machinellen Lernens, erhalten Sie einen fundierten Überblick über Tools, die für den Aufbau Neuronaler Netze hilfreich sind.

Folgende Themen werden behandelt:

Intelligente Agenten
- Struktur von Agenten, Agentenprogramm, Agentenfunktion
- Agenten-Grundtypen
- Modellbasierter Reflexagent
- Lernender Agent
Maschinelles Lernen
- Lernformen: nicht überwachtes Lernen, verstärkendes Lernen, überwachtes Lernen
- Lernen aus Beispielen
- Trainingsmenge versus Testmenge
- Generalisierungsfähigkeit der gelernten Abbildung
- Problem der Überanpassung
Neuronale Netze, Multi Layer Perceptrons
- Vom biologischen zum technischen Neuron
- Perceptron
- Nichtlineare Aktivierungsfunktionen
- Multi-Layer-Perceptrons (mehrschichtige neuronale Netze)
- Lernalgorithmus "Backpropagation of Error"
- Beispiele zu Regression und Klassifikation mit Multi Layer Perceptrons
- praktische Tipps
- deep learning
- Beispiele und Demos zu deep learning
Neuronale Netze, Convolutional Neural Networks (CNN)
- Grundidee und Topologie CNN
- Beispiele und Demos zu Convolutional Neural Networks / Deep Learning
Neuronale Netze, Recurrent Neural Networks (RNN, LSTM)
- Grundidee und Topologie RNN
- Lernalgorithmus "Backpropagation Through Time"
- Long Short-Term Memory Networks (LSTM)
- Beispiele und Demos zu RNN und LSTM
Support-Vektor-Maschinen
- Grundidee und Unterschied zu Neuronalen Netzen
- Kernel-Trick zur Garantie der Linearen Separierbarkeit in höheren Dimensionen
- Beispiele und Demos zu Support Vector Machines
- Praktische Tipps
Hinweise zu Tools, Internet-Quellen und Literatur
Diskussion spezifischer Fragestellungen aus der beruflichen Praxis

Jetzt Buchen

Köln -3 Tage Expert

25. März 2021

Machine Learning: Grundlagen kompakt

Neben wichtigen Grundkonzepten des Machinellen Lernens, erhalten Sie einen fundierten Überblick über Tools, die für den Aufbau Neuronaler Netze hilfreich sind.

Folgende Themen werden behandelt:

Intelligente Agenten
- Struktur von Agenten, Agentenprogramm, Agentenfunktion
- Agenten-Grundtypen
- Modellbasierter Reflexagent
- Lernender Agent
Maschinelles Lernen
- Lernformen: nicht überwachtes Lernen, verstärkendes Lernen, überwachtes Lernen
- Lernen aus Beispielen
- Trainingsmenge versus Testmenge
- Generalisierungsfähigkeit der gelernten Abbildung
- Problem der Überanpassung
Neuronale Netze, Multi Layer Perceptrons
- Vom biologischen zum technischen Neuron
- Perceptron
- Nichtlineare Aktivierungsfunktionen
- Multi-Layer-Perceptrons (mehrschichtige neuronale Netze)
- Lernalgorithmus "Backpropagation of Error"
- Beispiele zu Regression und Klassifikation mit Multi Layer Perceptrons
- praktische Tipps
- deep learning
- Beispiele und Demos zu deep learning
Neuronale Netze, Convolutional Neural Networks (CNN)
- Grundidee und Topologie CNN
- Beispiele und Demos zu Convolutional Neural Networks / Deep Learning
Neuronale Netze, Recurrent Neural Networks (RNN, LSTM)
- Grundidee und Topologie RNN
- Lernalgorithmus "Backpropagation Through Time"
- Long Short-Term Memory Networks (LSTM)
- Beispiele und Demos zu RNN und LSTM
Support-Vektor-Maschinen
- Grundidee und Unterschied zu Neuronalen Netzen
- Kernel-Trick zur Garantie der Linearen Separierbarkeit in höheren Dimensionen
- Beispiele und Demos zu Support Vector Machines
- Praktische Tipps
Hinweise zu Tools, Internet-Quellen und Literatur
Diskussion spezifischer Fragestellungen aus der beruflichen Praxis

Jetzt Buchen

Köln 3 Tage Practitioner

29. März 2021

Jupyter Notebook Infrastruktur für effiziente Data Science Workflows

Wer als Datenanalyst tätig ist, wird an Jupyter kaum vorbei kommen. Die 3-tägige Schulung gibt einen Überblick über iPython und den Funktionsumfang von Jupyter. Der Fokus der Schulung liegt auf dem Aufbau einer Infrastruktur auf Basis von Jupyter Notebooks, die den Arbeitsalltag eines Datanalysten deutlich erleichtert.

Nach der Schulung können Sie über Jupyter mit Notebooks arbeiten und können auf Basis einer für Datenanalysten zugeschnittenen Infrastruktur effizienter im Projektalltag arbeiten.

Folgende Themen werden behandelt:

Einführung, Überblick
- iPython und Jupyter
- JupyterHub
- nbconvert und nbviewer
- Kernels
Notebooks erweitern
- Widgets
- nbextensions
- Dashboards
- Notebooks einbetten
Praxis mit Jupyter
- Reproduzierbare Notebooks
- Parametrisierung
- Zeitplanung
- Refactoring

Jetzt Buchen

Köln 3 Tage Explorer

7. April 2021

Daten und Künstliche Intelligenz (KI / AI) – Basiswissen und Anwendungen

1. Tag:

Daten und Informationen
- Welchen Unterschied gibt es zwischen Daten und Informationen?
Kontext und Codierung
- Sie lernen, wie aus Daten Zeichen und Symbole und dadurch Informationen werden und welche Rolle dabei Computer haben
Dateiformate und Datenquellen
- In Gruppen lernen Sie unterschiedliche Daten- und Dateiformate kennen (Ton-Format, Text-Format, Bildformat) und welche Informationen daraus gewonnen werden können. Sie lernen den Unterschied zwischen strukturierten und unstrukturierten Daten
Datenvisualisierung
- Nach einer kurzen Einführung in die Visualisierung können Sie verschiedene Visualisierungstypen (wie Balkendiagramme, Liniendiagramme) ausprobieren und lernen die Grundlagen, um den richtigen Typ auszuwählen.
Big Data
- Big Data ist seit Jahren ein Hype. Sie lernen die Grundlagen von Big Data und die Anwendungsgebiete ohne Buzzword-Bingo.
Daten abfragen
- SQL gilt seit jeher als die Standardsprache um Daten abzufragen. In einfachen Übungen lernen Sie die Grundzüge von SQL kennen.
Wissen aus Daten generieren
- Mit Hilfe Algortihmen aus dem Bereich der Künstlicher Intelligenz können Informationen und selbständig Wissen aus Daten erstellt werden. Sie lernen in einfachen interaktiven Gruppenübungen ohne Programmierung ein paar dieser Algorithmen kennen.
Daten in Unternehmen
- Welche Daten gibt es im Unternehmen und wie können Unternehmen von Daten profitieren?
Karrieren im Datenumfeld
- Data Scientist, Data Enginer, Data Analyst etc.

2. - 3. Tag:

Machine Learning
- Viele Algorithmen, die im Bereich der Künstlichen Intelligenz eingesetzt werden stammen aus dem Bereich des maschinellen Lernens. In kleinen Gruppen befassen Sie sich mit einzelnen Kernelementen, ganz ohne die Mathematik.
Deep Learning
- Neuronale Netzwerke und Deep Learning Algorithmen haben in den letzten Jahren zu einem großen Anstieg von KI-Projekten geführt. Wir sehen uns diese Algorithmen an und Sie lernen die Anwendungsgebiete und Grenzen kennen.
Anwendungsgebiete
- Welche Projekte wurden mit Hilfe von KI durchgeführt? Wie hat KI Unternehmen beeinflusst? Welche Algorithmen verwenden Amazon, Facebook und Co? Sie lernen die verschiedensten Gebiete von Künstlicher Intelligenz kennen.
KI - Grenzen
- Liest man aktuelle Zeitungsartikel scheint der Künstlichen Intelligenz keine Grenzen gesetzt werden. Wir werden mit verschiedenen Mythen aufräumen und Ansätze diskutierern.
KI-Projekt
- Entwicklung eines KI-Projekts.

Jetzt Buchen

Köln 2 Tage Practitioner

8. April 2021

Einstieg in Data Science mit Pandas

Das Python-Paket Pandas ist als universeller Werkzeugkasten für den Bereich Data Science nicht mehr wegzudenken. Die 2-tägige Schulung vermittelt die Grundlagen und Funktionsweisen dieses mächtigen Tools und gibt Hilfestellung für einen optimalen Einsatz von Pandas im Unternehmenskontext.

Nach der Schulung wissen Sie, wie Sie Datenaufbereitung, Datenaggregation und Datenvisualisierung mit Pandas umsetzen und haben anhand von praktischen Beispielen ein Gefühl für den Einsatz von Pandas im Unternehmenskontext erhalten.

Folgende Themen werden behandelt:

Pandas im Überblick
- Datenaufbereitung
- Datenaggregation
- Datenvisualisierung
Einführung in Pandas
- Aggregatfunktionen
- Zeitreihen
- Geodaten
- Best Practices

Jetzt Buchen

Köln 2 Tage Explorer

8. April 2021

Künstliche Intelligenz (KI / AI) – Basiswissen und Anwendungen

Folgende Themen werden behandelt:

Daten und Informationen
- Welchen Unterschied gibt es zwischen Daten und Informationen?
Kontext und Codierung
- Sie lernen, wie aus Daten Zeichen und Symbole und dadurch Informationen werden und welche Rolle dabei Computer haben
Dateiformate und Datenquellen
- In Gruppen lernen Sie unterschiedliche Daten- und Dateiformate kennen (Ton-Format, Text-Format, Bildformat) und welche Informationen daraus gewonnen werden können. Sie lernen den Unterschied zwischen strukturierten und unstrukturierten Daten.
Datenvisualisierung
- Nach einer kurzen Einführung in die Visualisierung können Sie verschiedene Visualisierungstypen (wie Balkendiagramme, Liniendiagramme) ausprobieren und lernen die Grundlagen, um den richtigen Typ auszuwählen.
Machine Learning
- Viele Algorithmen, die im Bereich der Künstlichen Intelligenz eingesetzt werden stammen aus dem Bereich des maschinellen Lernens. In kleinen Gruppen befassen Sie sich mit einzelnen Kernelementen, ganz ohne die Mathematik.
Deep Learning
- Neuronale Netzwerke und Deep Learning Algorithmen haben in den letzten Jahren zu einem großen Anstieg von KI-Projekten geführt. Wir sehen uns diese Algorithmen an und Sie lernen die Anwendungsgebiete und Grenzen kennen.
Anwendungsgebiete
- Welche Projekte wurden mit Hilfe von KI durchgeführt? Wie hat KI Unternehmen beeinflusst? Welche Algorithmen verwenden Amazon, Facebook und Co? Sie lernen die verschiedensten Gebiete von Künstlicher Intelligenz kennen.
KI - Grenzen
- Liest man aktuelle Zeitungsartikel scheint der Künstlichen Intelligenz keine Grenzen gesetzt werden. Wir werden mit verschiedenen Mythen aufräumen und Ansätze diskutierern.
KI-Projekt
- Entwicklung eines KI-Projekts.

Jetzt Buchen

Köln 2 Tage Practitioner

10. Mai 2021

Machine Learning und Deep Learning im Unternehmenseinsatz

Inhalt

Einsatz von maschinellem Lernen für Geschäftszwecke
- Churn Prediction
- Prevention
- Ad Click Predictions
- Recommender Systems
- Image Recognition
- Fraud and Risk Detection
- Dynamic Pricing Calculations
- Sports Analytics
- Engagement Increase
- Predictive Demand
- Neue Kreditvergabemodelle
Von wirtschaftlichen Fragestellungen zum Model
Praxis: Arbeit mit Daten
- Datensäuberung
- Behandlung fehlender Werte
- Ausreißer
- Verteilungen
- Datentransformation
- Selektion von Merkmalen
- Dimensionsreduzierung (Principal Component Analysis, PCA)
- Erste Modellierung mit ausgewähltem Klassifikator

Überblick über Modellierungsalgorithmen
- Klassifizierung
- Clustering
- Regression
Praxis: Auswertung der Performance verschiedener Algorithmen mit den
Daten vom ersten Tag
Deep Learning
Auswertung der Metriken und welche Metrik für welche Probleme eingesetzt werden sollte
- Accuracy (Genauigkeit)
- ROC (Receiver-Operating-Characteristic-Kurve bzw.
- Grenzwertoptimierungskurve)
- AUC (Area under the curve)
- Precision
- Recall
- Confusion Matrix (Wahrheitsmatrix)
Cross Validation (Kreuzvalidierungsverfahren)
Feature Engineering
Praxis: Mit Daten vom ersten Tag wählen wir die am besten geeignete Metrik für das Problem aus, suchen das am besten passende Model aus und nutzen Cross Validation für die finale Modellierung. Damit lässt sich die Frage beantworten, was die maximal-beste Performance des Modells ist, das erzielt werden konnte.
Diskussion

Jetzt Buchen

Köln 3 Tage Practitioner

17. Mai 2021

Data Science mit Python – Einführung in Python

Folgende Themen werden behandelt:

Einführung
- Kurzer Hintergrund zu Python und Anaconda
- Installieren von neuen Paketen
- Die Entwicklungsumgebung (IDE) Spyder
- Aspekte von Python, die anders als in anderen Programmiersprachen sind
Datenstrukturen in Python
- Unterschied Funktionen vs. Methoden
- Datenstrukturen in Python (number, tuple, list, dictionary, string)
- Überblick und wichtige Methoden zu den Datenstrukturen
- Unterschied list vs. tuple
- Die Besonderheit des Wertes NaN
- Wann benutze ich welche Klammer [], (), {}?
- List comprehension
Einführung in das Data Science Paket pandas
- Elemente eines pandas data.frame
- Eine Zeile ansprechen, hinzufügen, löschen und verändern
- Eine Spalte ansprechen, hinzufügen, löschen und verändern
- Boolean indexing
- Ein leeres data.frame erstellen
- Überblick über Methoden, ein data.frame anzupassen (Spaltennamen ändern, Werte ersetzen, ein data.frame sortieren, ein data.frame nach einer kategorischen Variable gruppieren, randomisiert Zeilen aus einem data.frame auswählen)
Grundlegende Statistiken mit pandas
- Überblick über Statistiken, die ich mit einem data.frame berechnen kann (Anzahl an gültigen Beobachtungen, Summe, Mittelwert, Median, Minimum, Maximum, Varianz,...)
- Eine Kreuztabelle (Kontingenztafel) berechnen
- Fehlende Werte ergänzen
- Logische Operatoren
Daten einlesen
- Das Arbeitsverzeichnis in Python setzen
- Ein CSV einlesen und schreiben und Überblick über die nützlichsten Parameter hierfür
- Python's pickle modul zum Speichern von Python Objekten
- Verschiedene Datentypen konvertieren (integer, unsigned integer, float, string)
Visualisierung mit matplotlib und seaborn
- Die Hauptelemente beim Plotten mit matplotlib
- Einen Plot anpassen (x- und y-Achse ändern, Beschriftungen, Legende und Titel ändern) und speichern
- Auswahl von Farben
- Subplots erstellen
- Erstellen von Scatterplot, Linienplot, Barplot, (gruppiertes) Histogram, Boxplot
Control Flows
- Die range() Funktion
- Eine eigene Funktion schreiben
- Default Parameter in einer Funktion setzen
- For Schleifen
- If-Else Bedingungen
- While Schleife
- Logische Vergleichsoperatoren
- Zuweisungsoperatoren
Überblick über Machine Learning
- Was ist Machine Learning
- Die Einteilung von Algorithmen im Machine Learning (supervised Learning - unsupervised learning - reinforcement learning)
- Overfitting, Train-Test-Split und cross-validation (Kreuzvalidierung)
Machine Learning Algorithmen (Theorie und Praxis)
- Einführung in den Algorithmus (Lineare Regression, Entscheidungsbaum, Logistische)
- Train-Test Split der Daten
- Umsetzung des Algorithmus in Python
- Validieren der Ergebnisse (u.a. confusion matrix, sensitivity, accuracy)
- Cross-validation (Kreuzvalidierung)
Weitere Machine Learning Algorithmen in Python
- Erklärung von (SVM), Random Forest und K-means
- Umsetzung dieser Algorithmen in Python
- Validieren der Ergebnisse
- Cross-validation (Kreuzvalidierung)

Jetzt Buchen

Köln 2 Tage Special

20. Mai 2021

Analytics Architekturen für Big Data, BI, DWH und AI

Nach der Schulung kennen Sie die aktuellen Technologien für analytische Systeme und wissen, welche Systeme für den passenden Unternehmenskontext geeignet sind.

Folgende Themen werden behandelt:

Data-Warehouse-Architekturen
Datenmodelle
Data-Warehouse-Prozesse
Reporting und Analyse
Moderne Datenhaltungskonzepte
Big-Data-Architekturen
Data Lake und Big Data Warehouse

Jetzt Buchen

Köln 3 Tage Practitioner

9. August 2021

Data Science mit Python – Einführung in Python

Folgende Themen werden behandelt:

Einführung
- Kurzer Hintergrund zu Python und Anaconda
- Installieren von neuen Paketen
- Die Entwicklungsumgebung (IDE) Spyder
- Aspekte von Python, die anders als in anderen Programmiersprachen sind
Datenstrukturen in Python
- Unterschied Funktionen vs. Methoden
- Datenstrukturen in Python (number, tuple, list, dictionary, string)
- Überblick und wichtige Methoden zu den Datenstrukturen
- Unterschied list vs. tuple
- Die Besonderheit des Wertes NaN
- Wann benutze ich welche Klammer [], (), {}?
- List comprehension
Einführung in das Data Science Paket pandas
- Elemente eines pandas data.frame
- Eine Zeile ansprechen, hinzufügen, löschen und verändern
- Eine Spalte ansprechen, hinzufügen, löschen und verändern
- Boolean indexing
- Ein leeres data.frame erstellen
- Überblick über Methoden, ein data.frame anzupassen (Spaltennamen ändern, Werte ersetzen, ein data.frame sortieren, ein data.frame nach einer kategorischen Variable gruppieren, randomisiert Zeilen aus einem data.frame auswählen)
Grundlegende Statistiken mit pandas
- Überblick über Statistiken, die ich mit einem data.frame berechnen kann (Anzahl an gültigen Beobachtungen, Summe, Mittelwert, Median, Minimum, Maximum, Varianz,...)
- Eine Kreuztabelle (Kontingenztafel) berechnen
- Fehlende Werte ergänzen
- Logische Operatoren
Daten einlesen
- Das Arbeitsverzeichnis in Python setzen
- Ein CSV einlesen und schreiben und Überblick über die nützlichsten Parameter hierfür
- Python's pickle modul zum Speichern von Python Objekten
- Verschiedene Datentypen konvertieren (integer, unsigned integer, float, string)
Visualisierung mit matplotlib und seaborn
- Die Hauptelemente beim Plotten mit matplotlib
- Einen Plot anpassen (x- und y-Achse ändern, Beschriftungen, Legende und Titel ändern) und speichern
- Auswahl von Farben
- Subplots erstellen
- Erstellen von Scatterplot, Linienplot, Barplot, (gruppiertes) Histogram, Boxplot
Control Flows
- Die range() Funktion
- Eine eigene Funktion schreiben
- Default Parameter in einer Funktion setzen
- For Schleifen
- If-Else Bedingungen
- While Schleife
- Logische Vergleichsoperatoren
- Zuweisungsoperatoren
Überblick über Machine Learning
- Was ist Machine Learning
- Die Einteilung von Algorithmen im Machine Learning (supervised Learning - unsupervised learning - reinforcement learning)
- Overfitting, Train-Test-Split und cross-validation (Kreuzvalidierung)
Machine Learning Algorithmen (Theorie und Praxis)
- Einführung in den Algorithmus (Lineare Regression, Entscheidungsbaum, Logistische)
- Train-Test Split der Daten
- Umsetzung des Algorithmus in Python
- Validieren der Ergebnisse (u.a. confusion matrix, sensitivity, accuracy)
- Cross-validation (Kreuzvalidierung)
Weitere Machine Learning Algorithmen in Python
- Erklärung von (SVM), Random Forest und K-means
- Umsetzung dieser Algorithmen in Python
- Validieren der Ergebnisse
- Cross-validation (Kreuzvalidierung)

Jetzt Buchen

Köln 2 Tage Explorer

4. Oktober 2021

Data Science – Einführung für angehende Data Scientists

Nach der Schulung haben Sie das Grundlagenwissen, um als Data Scientist im Unternehmenskontext erste Herausforderungen zu meistern und eigene Ideen weiterzuentwickeln.

Folgende Themen werden behandelt:

Einführung und Einbindung von Data Science in einen betriebswirtschaftlichen Rahmen
Vorgehensmodelle und Zieldefinitionen für Data-Science-Projekte
Data-Science-Methoden (insbesondere Machine Learning) und Werkzeuge
Praktische Umsetzung eines Data-Science- Prozesses in einem Tool
Tipps, Tricks und Kniffe für ein gutes Data-Science-Produkt

Jetzt Buchen