Data Science mit Python
Einführung in Data Science mit pandas – Daten laden, strukturieren und verarbeiten
- Importieren und Anpassen von Datensätzen aus unterschiedlichen Quellen
- Ein tieferer Blick auf Datenstrukturen: Arrays, Listen, Serien und DataFrames
- Erste Schritte zur Datenauswertung
- Statistische Analyseverfahren und deren Anwendung
- Querying und Sorting: Datenabfragen und -sortierung
- Gruppieren und Aggregieren von Daten
- Datenbereinigung und der Umgang mit ungültigen Werten
- Strategien zur Verbesserung der Laufzeit bei der Datenverarbeitung
- Klärung häufiger Missverständnisse: Unterschied zwischen Views und Copies
Datenvisualisierung mit pandas und matplotlib
- Einführung in die Datenvisualisierungstools matplotlib und pandas
- Überblick über verschiedene Diagrammtypen und deren Anwendungsfälle
- Vorbereitung von Datensätzen zur optimalen Darstellung
Einsatz von Numpy und pandas für wissenschaftliche Anwendungen
- Planung und Strukturierung wissenschaftlicher Projekte
- Vorbereitung und Speicherung von Daten mit hdf5
- Anwendung und Implementierung von Optimierungsfunktionen
- Durchführung von Regression, Interpolation und Extrapolation
- Lösungsstrategien für Differentialgleichungen
- Berechnung und Interpretation von Korrelationen
- Visualisierung komplexer Daten und Einbettung in Latex-Dokumente
Anwendungsentwicklung und Datenvisualisierung mit Dash und Plotly
- Erstellung interaktiver Grafiken auf Basis von pandas-Datensätzen mit Plotly
- Erstellen von Dash-Apps und Multi-Page Dashboards mit Dash und Plotly
- Datenpräparation für den Einsatz in Dash und Plotly
- Verwendung von Callbacks und Benutzeroberflächen-Elementen
- Gestaltung und Styling von Anwendungen und Dashboards
Einsatz von Data Science und maschinellem Lernen für wirtschaftliche Anwendungen
- Überblick über die Bedeutung und Vorteile von Data Science und maschinellem Lernen (Machine Learning) in der Wirtschaft
- Anwendungsfälle von Data Science und maschinellem Lernen in verschiedenen Geschäftsbereichen
- Fraud Detection: Erkennung von Betrugsversuchen mithilfe von maschinellem Lernen
- Churn Prediction: Vorhersage von Kundenabwanderung und Erarbeitung von Gegenmaßnahmen
- Preisoptimierung: Einsatz von maschinellem Lernen zur Preisgestaltung und Umsatzmaximierung
- Supply Chain Optimierung: Verbesserung der Lieferkette durch prädiktive Modelle
- Marketing und Verkaufsprognosen: Effektive Zielgruppenanalyse und Umsatzprognose
- Praktische Einführung in die Erstellung von maschinellen Lernmodellen mit Scikit-learn und TensorFlow
- Bewertung und Verbesserung der Performance von maschinellen Lernmodellen
- Ethische Überlegungen beim Einsatz von Data Science und maschinellem Lernen in der Wirtschaft