Data Science mit Python - Einführung in Python

Kursüberblick

Einführung Kurzer Hintergrund zu Python und Anaconda Installieren von neuen Paketen Arbeiten mit Jupyter Lab Einführung in das Data Science Paket pandas Elemente eines pandas data.frame Eine Zeile/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 Grundlegende Statistiken mit pandas Überblick über Statistiken, die mit einem data.frame berechnen werden kann (Anzahl an gültigen Beobachtungen, Summe, Mittelwert, Median, Minimum, Maximum, Varianz,...) Eine Kreuztabelle (Kontingenztafel) berechnen Analysen mit grouphy gruppieren Fehlende Werte ergänzen 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 Erstellen von Scatterplot, Linienplot, Barplot, Boxplot mit seaborn Control Flows Die range() Funktion Eine eigene Funktion schreiben Default Parameter in einer Funktion setzen For Schleifen If-Else Bedingungen 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) Train-Test Split der Daten Umsetzung des Algorithmus in Python Validieren der Ergebnisse (u.a. confusion matrix, sensitivity, accuracy) Optional: Weitere Machine Learning Algorithmen in Python Erklärung von Random Forest und K-means Umsetzung dieser Algorithmen in Python Validieren der Ergebnisse Cross-validation (Kreuzvalidierung)

Nächste Termine

• 2026-10-27T23:00:00.000Z · 2026-10-29T23:00:00.000Z · Köln · Seminar
• 2027-01-24T23:00:00.000Z · 2027-01-26T23:00:00.000Z · Online-Seminar
• 2027-01-24T23:00:00.000Z · 2027-01-26T23:00:00.000Z · Köln · Seminar
• 2027-02-21T23:00:00.000Z · 2027-02-25T23:00:00.000Z · Online-Seminar