Data Science: Einführung in Python und Deep Learning

Data Science: Einführung in Python und Deep Learning
Dieser Kurs führt in die grundlegenden Konzepte der Python-Programmierung und des Deep Learning ein und vermittelt den Lernenden praktische Erfahrungen in der Programmierung und in Anwendungen für neuronale Netze. Am Ende erwerben die Teilnehmer die erforderlichen Fähigkeiten für die Datenmanipulation, die Entwicklung von KI-Modellen und Deep-Learning-Workflows.
Kursmodule:

Einführung in Python für Data Science

• Verstehen der Python-Syntax, Variablen, Datentypen, Schleifen und Bedingungen.
• Arbeiten mit Funktionen und modularer Programmierung für effiziente Codierung.
• Erkunden Sie die Rolle von Python in datenwissenschaftlichen und KI-Anwendungen.

Einrichten von Entwicklungsumgebungen

• Installieren und konfigurieren Sie Jupyter Notebooks und Anaconda für die Python-Entwicklung.
• Nutzen Sie integrierte Entwicklungsumgebungen (IDEs) für die Codierung von Arbeitsabläufen.
• Implementieren Sie die Versionskontrolle mit Git für die gemeinsame Codierung.

Datenmanipulation mit Python-Bibliotheken

• Lernen Sie Pandas für die Datenmanipulation, -filterung und -aggregation kennen.
• Arbeiten Sie mit NumPy für numerische Berechnungen und Matrixoperationen.
• Vorverarbeitung und Bereinigung von Datensätzen für KI-Anwendungen.

Künstliche Intelligenz (KI) Grundlagen

• Erkunden Sie die Grundlagen des maschinellen Lernens und Deep Learning.
• Verstehen Sie die Rolle der KI in der Automatisierung und prädiktiven Modellierung.
• Erfahren Sie mehr über KI-Anwendungen in Branchen wie Finanzen, Gesundheitswesen und Marketing.

Einführung in Deep Learning

• Entdecken Sie, wie sich Deep Learning vom traditionellen maschinellen Lernen unterscheidet.
• Lernen Sie künstliche neuronale Netze (ANNs) und ihre Struktur kennen.
• Verstehen Sie die Bedeutung von Aktivierungsfunktionen, Schichten und Gewichten in neuronalen Netzen.

Deep-Learning-Frameworks: TensorFlow & Keras

• Sammeln Sie praktische Erfahrungen mit TensorFlow und Keras.
• Implementieren Sie einfache neuronale Netze mit diesen Frameworks.
• Trainieren und bewerten Sie Modelle für reale KI-Anwendungen.

Überwachtes und unüberwachtes Lernen im Deep Learning

• Verstehen Sie Konzepte des überwachten Lernens wie Klassifizierung und Regression.
• Erkunden Sie Techniken des unüberwachten Lernens wie Clustering und Anomalieerkennung.
• Wenden Sie diese Methoden auf reale Datensätze an.

Praktische Python- und Deep-Learning-Übungen

• Erstellen Sie einfache KI-Modelle mit Python und TensorFlow.
• Wenden Sie Deep-Learning-Techniken auf Bildklassifizierungsaufgaben an.
• Arbeiten Sie an praktischen Projekten, um die Lernergebnisse zu festigen.