Python und Machine Learning Entwickler:in

Kursüberblick

Der Kurs vermittelt den Einsatz von Python als leicht erlernbare Skriptsprache zur Entwicklung von Modulen und Plug-ins. Er behandelt zentrale Aufgaben des Machine Learnings, darunter Datenanalyse, Visualisierung, Datenmanagement im Kontext von Big Data sowie Grundlagen des überwachten und unüberwachten Lernens. Zudem vertieft der Kurs das Thema Deep Learning mit neuronalen Netzen. Abschließend werden Methoden zur Mustererkennung und Problemlösung durch Algorithmen vorgestellt. Programmierung mit Python Grundlagen Python Erste Schritte mit Python Künstliche Intelligenz (KI) im Arbeitsprozess Funktionen Fehlerbehebung Objektorientierte Programmierung mit Python Projektarbeit, Zertifizierungsvorbereitung und Zertifizierungsprüfung "PCEP™ - Certified Entry-Level Python Programmer” in englischer Sprache Machine Learning Einführung in Machine Learning und ML-Workflow: Moderne KI- und Machine-Learning-Verfahren, Machine-Learning-Worfklow, scikit-learn Datenaufbereitung und Feature Engineering: Datenqualität, Datenvorverarbeitung, Skalierung, Kodierung, Feature Selection Überwachtes Lernen - Regression und Klassifikation: Ensemble-Verfahren, Boosting-Verfahren, Evaluationsmetriken, Feature Importance, Explainable AI Unüberwachtes Lernen: Clusterverfahren, Anomalieerkennung Zeitreihenanalyse und Prognosen: Grundlagen, Analyse, Prognoseverfahren Neuronale Netze und moderne KI: Grundlagen Deep Learning, Natural Language Processing, Foundation Models, Large Language Models, generative KI Bereitstellung von ML-Modellen: Speicherung und Bereitstellung, Entwicklung einfacher ML-Anwendungen, Schnittstellen und Plattformen Projektarbeit Machine Learning Deep Learning Machine Learning: Deep Learning Grundlagen in neuronalen Netzen Convolutional Neural Network (CNN) Transfer Learning Regional CNN Methoden der kreativen Bilderzeugung Recurrente neurale Netze Textverarbeitung durch neuronale Netze Sprachmodelle Deep Reinforcement Learning Bayes'sche neuronale Netze Projektarbeit Deep Learning Data Analytics Einführung in Data Analytics: Anwendungsfälle, Prozesse, CRISP-DM; Abgrenzung zu Data Science, Data Engineering und Business Intelligence Python für Data Analytics: Jupyter Notebooks, NumPy, Pandas, Excel, CSV, Auswahl und Transformation von Daten Datenaufbereitung mit Pandas und explorative Datenanalyse SQL und Datenmanagement: Relationale Datenbanken, Joins, Aggregationen, Datenqualität, Datenschutz, Anbindung und Nutzung unterschiedlicher Datenquellen und Datenbanksysteme Datenvisualisierung und Data Storytelling: Matplotlib, Seaborn, Plotly Power BI und interaktive Dashboards: Power Query, DAX, Kennzahlen, interaktive Reports/Dashboards, Business-KPIs KI-gestützte Datenanalyse im Data-Analytics-Workflow: Qualitätssicherung, Datenschutz Business Analytics und statistische Grundlagen: Kennzahlen, KPIs, Deskriptive Statistik, Korrelation, Kausalität, Regressionsanalyse, Hypothesentest, Konfidenzintervalle Projektarbeit Data Analytics Änderungen möglich, die Leh…

Nächste Termine

• 2026-11-15T23:00:00.000Z · 2027-03-11T23:00:00.000Z · Augsburg, Bayern · Combined Learning
• 2026-11-15T23:00:00.000Z · 2027-03-11T23:00:00.000Z · Berlin · Combined Learning
• 2026-11-15T23:00:00.000Z · 2027-03-11T23:00:00.000Z · Bielefeld · Combined Learning
• 2026-11-15T23:00:00.000Z · 2027-03-11T23:00:00.000Z · Bonn · Combined Learning
• 2026-11-15T23:00:00.000Z · 2027-03-11T23:00:00.000Z · Aachen · Combined Learning

Weitere Kurse in diesem Fachbereich

• Data Science & TensorFlow

  velpTEC GmbH

• AI Spezialist mit Azure KI: KI-Szenarien und Azure AI Services

  IntelliLearn Akademie GmbH

• Data Analyst - Python-Einstieg

  Talentspring Academy Group

• Python

  LUTZ + GRUB ACADEMY GmbH