Zukunftsgestaltung für Unternehmen

Die Data Science Business Akademie bietet passgenaue Lösungen, einzigartige Services, eine individuelle Qualifizierung sowie höchste Beratungskompetenz in den Bereichen Predictive Analytics, Artificial Intelligence und Big Data – wir begleiten Sie auf dem Weg zum Data Science Expert.

Data Science Seminare

Verwenden Sie genau die Werkzeuge, die Sie in Ihrem Unternehmen benötigen.

Mit unseren aktuellen Angeboten rund um Predictive Analytics, Artificial Intelligence und Big Data qualifizieren und unterstützen wir Sie auf Ihrem Weg durch die digitale Transformation.

Stellen Sie sich aus einer Reihe von Seminaren Ihren individuellen Weiterbildungsplan zusammen.

Köln 3 Tage Practitioner
Einführung R für Data Scientists
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Data Science: Grundlagen der Statistik kompakt
Kursbeschreibung
Kompaktschulung zu statistischen Grundlagen, die für die Themengebiete Data Science und Machine Learning notwendig sind.
Ziele
Mit dieser Grundlagenschulung bauen Sie sich ein statistisches Fundament auf. Die Kompaktschulung vermittelt die wesentlichen Grundlagen der beschreibenden und schließenden Statistik.
Inhalte
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
Tableau – Einstieg in Visualisierungen und Dashboards
Kursbeschreibung
Die 2-tägige Schulung bereitet Erstanwender und Anfänger auf die Erstellung von Visualisierungen und Dashboards mit Tableau, inkl. Dateneinlesung, Formeln und Stories vor.
Ziele
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.
Inhalte
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
Data Science: Grundlagen der Statistik, Praxistag mit Excel
Kursbeschreibung
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.
Ziele
Nach dem Praxistag können Sie mit Hilfe von Excel eigenständig statistische Analysen erstellen, statistische Kennzahlen berechnen und Diagramme erzeugen.
Inhalte
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
Daten, das Öl des 21. Jahrhunderts – Basiswissen und Anwendungen
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Deep Learning mit Python & Keras
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Daten und Künstliche Intelligenz (KI / AI) – Basiswissen und Anwendungen
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Künstliche Intelligenz (KI / AI) – Basiswissen und Anwendungen
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Grundlagenwoche – Data Science
Kursbeschreibung
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.
Ziele
Die Teilnehmer sind in der Lage, eine vollständige Data Science Lösung zu entwerfen, umzusetzen und zu bewerten. Sie können marktübliche Kenntnisse und Kompetenzen erwerben.
Inhalte
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
Python – Komplett
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Künstliche Intelligenz (KI) & Business Analytics: Grundlagen und Anwendung
Kursbeschreibung
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.
Ziele
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.
Inhalte
  • 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
Python für Programmiereinsteiger
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Data Science – Einführung für angehende Data Scientists
Kursbeschreibung
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.
Ziele
Nach der Schulung haben Sie das Grundlagenwissen, um als Data Scientist im Unternehmenskontext erste Herausforderungen zu meistern und eigene Ideen weiterzuentwickeln.
Inhalte
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
Praxiswoche – Data Science mit Python
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Data Science mit RapidMiner: Grundlagen und fortgeschrittene Themen für Analysten
Kursbeschreibung
Die Schulungen sind auch geeignet, um neue Data Scientists auszubilden oder erfahrenen Data Scientists den Umstieg auf die Plattform RapidMiner zu erleichtern.
Ziele
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.
Inhalte
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
Python – Komplett
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Machine Learning und Deep Learning im Unternehmenseinsatz
Kursbeschreibung
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.
Ziele
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.
Inhalte

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
Einstieg in Data Science und Data Analytics mit KNIME und Tableau
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Datenmodellierung in Business-Intelligence und Big-Data-Systemen
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Data Science mit Python – Einführung in Python
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Machine Learning mit Python
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Analytics Architekturen für Big Data, BI, DWH und AI
Kursbeschreibung
In zwei intensiven Schulungstagen lernen Sie unterschiedliche Architekturvarianten kennen. Mit diesem Grundlagenwissen können Sie Architekturalternativen bewerten, Risiken einschätzen und eigene Entwürfe einbringen.
Ziele
Nach der Schulung kennen Sie die aktuellen Technologien für analytische Systeme und wissen, welche Systeme für den passenden Unternehmenskontext geeignet sind.
Inhalte
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
Machine Learning: Grundlagen kompakt
Kursbeschreibung
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.
Ziele
Neben wichtigen Grundkonzepten des Machinellen Lernens, erhalten Sie einen fundierten Überblick über Tools, die für den Aufbau Neuronaler Netze hilfreich sind.
Inhalte
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
Machine Learning: Grundlagen kompakt
Kursbeschreibung
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.
Ziele
Neben wichtigen Grundkonzepten des Machinellen Lernens, erhalten Sie einen fundierten Überblick über Tools, die für den Aufbau Neuronaler Netze hilfreich sind.
Inhalte
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
Jupyter Notebook Infrastruktur für effiziente Data Science Workflows
Kursbeschreibung
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.
Ziele
Nach der Schulung können Sie über Jupyter mit Notebooks arbeiten und können auf Basis einer für Datenanalysten zugeschnittenen Infrastruktur effizienter im Projektalltag arbeiten.
Inhalte
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
Daten und Künstliche Intelligenz (KI / AI) – Basiswissen und Anwendungen
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Einstieg in Data Science mit Pandas
Kursbeschreibung
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.
Ziele
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.
Inhalte
Folgende Themen werden behandelt:
  • Pandas im Überblick
    • Datenaufbereitung
    • Datenaggregation
    • Datenvisualisierung
  • Einführung in Pandas
    • Aggregatfunktionen
    • Zeitreihen
    • Geodaten
    • Best Practices
Jetzt Buchen
Köln 2 Tage Explorer
Künstliche Intelligenz (KI / AI) – Basiswissen und Anwendungen
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Machine Learning und Deep Learning im Unternehmenseinsatz
Kursbeschreibung
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.
Ziele
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.
Inhalte

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 3 Tage Practitioner
Data Science mit Python – Einführung in Python
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Analytics Architekturen für Big Data, BI, DWH und AI
Kursbeschreibung
In zwei intensiven Schulungstagen lernen Sie unterschiedliche Architekturvarianten kennen. Mit diesem Grundlagenwissen können Sie Architekturalternativen bewerten, Risiken einschätzen und eigene Entwürfe einbringen.
Ziele
Nach der Schulung kennen Sie die aktuellen Technologien für analytische Systeme und wissen, welche Systeme für den passenden Unternehmenskontext geeignet sind.
Inhalte
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
Data Science mit Python – Einführung in Python
Kursbeschreibung
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.
Ziele
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.
Inhalte
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
Data Science – Einführung für angehende Data Scientists
Kursbeschreibung
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.
Ziele
Nach der Schulung haben Sie das Grundlagenwissen, um als Data Scientist im Unternehmenskontext erste Herausforderungen zu meistern und eigene Ideen weiterzuentwickeln.
Inhalte
Inhalte
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

Die Data Science Business Akademie ist eine Initiative des Instituts für Angewandte Informatik der Knowledge Foundation @ Reutlingen University und der GFU Cyrus AG mit dem Ziel, Unternehmen in ihrem Bestreben der Weiterbildung im Bereich Predictive Analytics, Artificial Intelligence und Big Data zu bündeln und qualitativ auszubauen.

Dabei bieten wir Ihnen eine langfristige, vertrauensvolle und partnerschaftliche Zusammenarbeit.

Unsere Referenten

Über 20 Referenten, Dozenten und Trainer sind für die Data Science Business Akademie tätig.

Sie alle verfügen über einen umfangreichen Erfahrungshorizont, methodische Kompetenz und langjährige Praxiserfahrung in ihrem jeweiligen Fachgebiet. Ein Auszug:

Dr. Thomas Wörmann

Artificial Intelligence und Business Analytics

Dr. Thorben Jensen

Business Analytics und Data Science

Dr. Michael Hoschek

Machine Learning und Business Analytics

Tobias Rippel

Machine Learning und Prognosemodelle

Ulrich Zellbeck

Data Science, Machine Learning, Data Warehouse, Big Data, Business Intelligence

Prof. Dr. Heike Trautmann

Prof. Dr. Heike Trautmann

Data Science, Social Media Analytics

Dr. Pascal Kerschke

Dr. Pascal Kerschke

Machine Learning und Data Science

Dr. Mike Preuß

Dr. Mike Preuß

Data Science und Machine Learning

Dr. Thomas Frontzek

Dr. Thomas Frontzek

Statistische Analysen und Neuronale Netze

Jan Mathias Köhler

Jan Mathias Köhler

Data Science, Data Mining, Deep Learning

IHRE VORTEILE MIT DER DATA SCIENCE BUSINESS AKADEMIE

Die Data Science Business Akademie bietet eine Auswahl von mehr als zwanzig „Hands-on“-Workshops auf drei verschiedenen Niveaus. Vom Einsteiger zum Experten. Das modulare System lässt eine flexible Themen- und Terminwahl zu und bleibt dabei jederzeit praxisnah.

Anwendungsorientiert

Die Data Science Business Akademie verbindet theoretische Grundlagen mit wirtschaftlichen Fragestellungen und anwendungsorientierten Projekten.

Praxisnah

Die Referenten der Data Science Business Akademie vermitteln ihr Fachwissen in praktischen, direkt anwendbaren Übungen.

Ausführlich

Die Data Science Business Akademie vermittelt fachkundige Einblicke und ist dabei ausführlicher als vergleichbare Angebote.

Unterlagen und Technik sehr gut. Erwartungen mehr als erfüllt. Qualität bestens!

Horst K.

Gute Kombination aus Theorie und Anwendung. Meiner Erwartungen an Data Science und R wurden erfüllt.

(ohne Angabe)

Die Kombination von perfekt organisierter Schulung mit sehr interessantem Themenbereich ist unschlagbar.

Sabine B.

Gute Strukturierung, Angeregte Diskussionen zum Thema, fachlich gute Erläuterungen und Beispiele

Thomas R.

Hat sich echt gelohnt

Heike Thomas,
TUI InfoTec GmbH

Die Schulung hat Spaß gemacht, war anschaulich und vor allem wegen des großen Praxisanteils sehr hilfreich

Andreas Ochs

Rundum top

Stephan Frenzel,
Kybeidos GmbH

Sehr professionelle Schulung, immer wieder gerne.

Stefanie de Buhr,
Erste Abwicklungsanstalt

Unser Standort

Data Science Seminare in Köln

Sie können alle Seminare der Data Science Business Akademie als Präsenz-Seminar oder Online-Seminar buchen. Die Präsenz-Seminare am Standort Köln finden in ausgesprochen netter und persönlicher Atmosphäre in den Räumen der GFU statt – zentral gelegen und äußerst verkehrsgünstig. Das erleichtert die Anreise und erhöht so die Nettoseminarzeit erheblich.

Unsere Partner

Zwei starke Partner bilden das Fundament für die Data Science Business Akademie: sie garantieren praxisnahes Lernen, berufsbegleitende Weiterbildung und ein professionelles Weiterbildungsmanagement.

Das Institut für Angewandte Informatik (IAI) gehört zur Knowledge Foundation @ Reutlingen University. Die Professoren sind renommierte Wissenschaftler mit langjähriger Erfahrung.

iai-reutlingen.de

knowledge-reutlingen.de

Die GFU ist mit mehr als 1.350 Seminarthemen, 100 Dozenten Ihr Partner für IT in der D-A-CH-Region. Die GFU übernimmt das Weiterbildungsmanagement und die Durchführung der Seminare.

gfu.net

Köln

Am Grauen Stein 27
51105 Köln
Telefon +49 221 828090
E-Mail info@gfu.net