Das komplette Data Science Bootcamp 2020 in Python
4.5 (237 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
1,719 students enrolled

Das komplette Data Science Bootcamp 2020 in Python

Der Data Science Kompaktkurs: Datenanalyse und Statistik, Python, Mathematik und maschinelles Lernen
4.5 (237 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
1,719 students enrolled
Last updated 7/2020
German
Current price: $139.99 Original price: $199.99 Discount: 30% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 16.5 hours on-demand video
  • 46 articles
  • 90 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • Von 0 auf 100: Dieser Kurs vermittelt alle Inhalte für eine Karriere als Data Scientist.
  • Nach Abschluss dürfen sich unsere Teilnehmer in ihrem Lebenslauf mit Fug und Recht dieser in der Data Science heiß begehrten Skills rühmen: Statistik, Programmierung in Python mit NumPy, Pandas, Matplotlib und Seaborn, komplexe statistische Analyseverfahren, maschinelles Lernen mit StatsModels und Scikit-learn, Deep Learning mit TensorFlow
  • Den eigenen Marktwert bei Vorstellungsgesprächen erhöhen dank demonstrierbaren Data-Science-Kompetenzen
  • Umfassende Datenaufbereitungskenntnisse
  • Die dem maschinellen Lernen zugrunde liegende Mathematik vollumfänglich erfassen (ein absolutes Muss, das andere Kurse jedoch außen vor lassen!)
  • In Python programmieren und statistische Analysen und Fragestellungen damit lösen
  • Lineare und logistische Regressionen in Python durchführen
  • Klassifikation und Clusteranalysen
  • Algorithmen für maschinelles Lernen in Python mittels NumPy, StatsModels und Scikit-learn erstellen
  • Die erlernten Kenntnisse in praxisnahen Business-Fallstudien anwenden
  • Führende Deep-Learning-Frameworks wie Google TensorFlow professionell anwenden
  • Ein ausgefeiltes Geschäftsgespür dank verschiedener Big-Data-Herausforderungen
  • Die geballte Power tiefer neuronaler Netze nutzen
  • Umfassende Feinabstimmung für Algorithmen im Bereich maschinelles Lernen anhand von Konzepten wie Unteranpassung, Überanpassung, Modelltraining, -validierung und -testing, n-facher Kreuzvalidierung sowie Hyperparametern
  • Finger aufwärmen ist angesagt! Denn wer diese Kenntnisse erlernt hat, wird sie sofort einsetzen wollen – und das in immer mehr Szenarien und Situationen.
Requirements
  • Keine Vorkenntnisse vonnöten: Wir beginnen mit den Grundlagen.
  • Im Kursverlauf installieren wir Anaconda; die Schritte gehen wir gemeinsam einzeln durch.
  • Microsoft Excel 2003, 2010, 2013, 2016 oder 365
Description

Das Problem

Data Scientist. Ein Berufsfeld mit einem Potenzial wie kaum ein anderes. Und das auf lange Sicht. Im Zeitalter der Digitalisierung ist die Symbiose aus Fähigkeiten von Data Scientists so einmalig wie begehrt: Umfassende Datenanalyse-Fachkompetenz trifft auf exzellente Programmierkenntnisse in Python und Algorithmen für maschinelles Lernen. Höchst komplexe Fragestellungen können Data Scientists mit diesen selbstbewusst und zielorientiert angehen.

Kein Wunder also, dass sie auf dem Arbeitsmarkt so gefragt sind. Sie werden sogar geradezu händeringend gesucht. Denn noch herrscht hier absoluter Fachkräftemangel. Und die notwendigen Kenntnisse, gerade im maschinellen Lernen, und Deep Learning, sind nicht ohne.

Wie und wo kann man sie sich aneignen?

Der Nachfrage nach spezialisierten Data Science Studiengängen konnte im Hochschulbereich bislang mehr schlecht als recht Rechnung getragen werden. So handelt es sich bei den wenigen existierenden Angeboten zumeist um gleichermaßen teure wie zeitintensive Programme, bei denen die Programmierpraxis in Python oder auch nicht zu selten außen vor bleibt.

Online-Kurse hingegen schießen sich zu sehr auf ein spezifisches Feld ein und berühren andere entscheidende Data Science Fachgebiete und maschinelles Lernen bestenfalls oberflächlich.

Die Lösung

Data Scientists müssen in mehreren Themenbereichen topfit sein. Denn so ist sie, die Data Science: vielfältig. Zum Glück!

Die Themen im Einzelnen:

· Grundlegendes Verständnis der Data Science als Wissenschaft sowie zugehöriger Analysen

· Mathematik

· Statistik

· Programmierung in Python

· Anwendung erweiterter statistischer Methoden in Python

· Visuelle Darstellung von Daten

· Maschinelles Lernen

· Deep Learning

In dieser Auflistung baut jede Data Science Kompetenz auf der anderen auf. Wer seine Kenntnisse also nicht in der richtigen Reihenfolge erweitert, kann gerade in Python ganz schnell ins Schleudern geraten. Für die Anwendung von Data Science Verfahren für maschinelles Lernen und Deep Learning etwa ist ein Verständnis der zugrunde liegenden mathematischen Zusammenhänge unerlässlich. Regressionsanalysen in Python? Dafür will zuerst das systematische Konzept einer Regression studiert worden sein.

All die eingangs erwähnten Fallstricke wollten wir mit dem Data Science Bootcamp 2020 in Python aus der Welt schaffen. Unser Ziel: Ein Kurs, der Data Science, maschinelles Lernen und Deep Learning in einem zielführenden Zeitrahmen so effektiv und strukturiert vermittelt wie kein anderer zuvor.

Wir sind überzeugt, dass uns dies gelungen ist und wir die Data Science Eintrittsbarriere Nr. 1 aus dem Weg räumen konnten: das Kompetenz- und Informationsdurcheinander. Programmierpraxis in Python und detailliertes maschinelles Lernen für Data Science inklusive. Unser Kursversprechen: Bei uns finden sich alle notwendigen Ressourcen, zusammengeschnürt in einem Paket.

Die Kursinhalte gehen nahtlos ineinander über, sind logisch miteinander verzahnt. So ist es uns möglich, unseren Teilnehmern alle für eine Karriere als Data Scientist relevanten Kenntnisse zu vermitteln – und dies zu einem Bruchteil der Kosten traditioneller Programme, ganz zu schweigen von der Zeitersparnis.

Überblick der Kursthemen

1. Einführung in die Data Science

Big Data, Datenanalyse, Business Intelligence, Business Analytics, Programmierung in Python, maschinelles Lernen, künstliche Intelligenz. Dass diese Phänomene in die Data Science gehören, ist bekannt. Doch was genau verbirgt sich hinter diesen Schlagwörtern?

Warum sind diese Kenntnisse wichtig? Um als Data Scientists Fragestellungen in diesen topaktuellen Themen lösen zu können, müssen wir sie en détail verstehen. Nur so können wir das jeweils optimale Verfahren identifizieren. In dieser Data Science Einführung gehen wir umfassend auf all diese Schlagwörter ein und erläutern, welche Rolle sie genau in der Data Science einnehmen.

2. Statistik

Wer Data Scientist werden möchte, muss zunächst lernen, wie einer zu denken. Im Statistik-Modul lernen unsere Teilnehmer unter anderem, Fragestellungen als Hypothesen zu erfassen und mit den passenden wissenschaftlichen Verfahren zu lösen, die wir dann später in Python und beim maschinellen Lernen modellieren.

Warum sind diese Kenntnisse wichtig? In unserem Kurs zeigen wir nicht nur auf, welche Tools wichtig sind und warum, sondern demonstrieren eingehend, wie sie angewendet werden. Hier schulen wir unsere Denkansätze für Data Science als wissenschaftliche Disziplin.

3. Programmierung in Python

Bei Python handelt es sich um eine relativ neue Programmiersprache und, im Gegensatz zu R, um eine universell anwendbare. Universell ist hier durchaus recht wörtlich zu verstehen: Webanwendungen, Computerspiele, Data Science ... dies sind nur einige der Anwendungsbereiche, bei denen man mit Python Großes erreichen kann. Daher hat es auch in verhältnismäßig kurzer Zeit so einige Disziplinen ordentlich aufgemischt. Enorm leistungsstarke Bibliotheken machen die Bearbeitung, Transformation und visuelle Darstellung von Daten zu einer effizienten Angelegenheit. Zu absoluter Hochform läuft Python aber erst recht im maschinellen Lernen und beim Deep Learning auf.

Warum sind diese Kenntnisse wichtig? Bei der Entwicklung, Implementierung und Anwendung von Modellen für maschinelles Lernen mithilfe leistungsstarker Frameworks wie Scikit-learn oder TensorFlow ist Python als Programmiersprache für Data Science eine unabdingbare Zutat.

4. Vertiefung statistischer Verfahren

Regression, Klassifikation und Clustering sind als Disziplinen zwar allesamt älter als das maschinelle Lernen. Heutzutage werden diese statistischen Verfahren jedoch in ihrer Gesamtheit mittels maschinellem Lernen ausgeführt. Das Ergebnis sind bislang ungekannte Vorhersagemöglichkeiten in der Datenanalyse. In diesem Modul beleuchten wir diese Verfahren im Detail.

Warum sind diese Kenntnisse wichtig? Bei der Data Science geht es insbesondere auch um die Modellierung von Ansätzen, mit denen sich zukünftige Entwicklungen vorhersagen lassen. Mit der Vertiefung statistischer Verfahren machen wir aus unseren Teilnehmern Experten auf diesem Gebiet, in der Datenanalyse und der Data Science in ihrer Gesamtheit.

5. Mathematik

Für echte Data Science sind fundierte Kenntnisse der notwendigen Tools entscheidend. Zunächst erarbeiten wir uns eine Perspektive für das große Ganze, um uns dann alle Komponenten im Detail zur Brust zu nehmen.

Ganz besondere Aufmerksamkeit schenken wir der Infinitesimalrechnung sowie der linearen Algebra, denn auf sie stützt sich die Data Science.

Warum sind diese Kenntnisse wichtig? Infinitesimalrechnung und lineare Algebra benötigen wir in der Data Science zur Programmierung. Wollen wir komplexere Algorithmen für maschinelles Lernen erfassen, müssen wir dieses Wissen in petto haben.

6. Maschinelles Lernen

Deep Learning fällt zurecht der krönende Abschluss zu, denn darauf arbeiten wir von Anfang an hin. Der Einsatz von maschinellem Lernen und Deep Learning will gelernt sein – und er lohnt sich, trennt er doch oft das Berufsbild eines Data Scientist von dem eines Data Analyst. In diesem Modul zeigen wir alle gängigen Verfahren für maschinelles Lernen und für Deep Learning mit TensorFlow in der Anwendung.

Warum sind diese Kenntnisse wichtig? Maschinelles Lernen ist allgegenwärtig, Unternehmen wie Facebook, Google oder Amazon nutzen Maschinen, die selbständig lernen, schon seit Jahren. Zeit, dass wir diese nun auch zu steuern lernen.

***Unser Kurspaket**

· Ein Data-Science-Lehrprogramm im Wert von über 1000 €

· Rasche Unterstützung bei Fragen

· Alle notwendigen Fachkenntnisse für eine Karriere als Data Scientist

· Zugang zu einer ganzen Community aus Data Science Studenten

· Eine Abschlussbescheinigung

· Zugang zu zukünftigen Updates

· Praxisarbeit in Python, maschinellem Lernen und Deep Learning

· Business-Fallstudien als perfekte Vorbereitung auf Vorstellungsgespräche und Praxis

Data Scientist werden: Von 0 auf 100

Allen Teilnehmern bieten wir eine Garantie zur vollen Erstattung des Kurspreises innerhalb von 30 Tagen. Risiken bei diesem Kurs: Fehlanzeige. Angesichts der Qualität der Inhalte sind wir uns gewiss, dass unsere Teilnehmer begeistert sein werden.

Warum also warten? Die Data Science will erobert werden :). Jetzt!

Also, noch heute risikofrei starten und Teil unserer Data Science Community werden!

Who this course is for:
  • Teilnehmer mit einem generellen Interesse an der Data Science und/oder an einer Karriere als Data Scientist
  • Teilnehmer, die sich ein spannendes und lukratives Berufsfeld wünschen
  • Ideal für Data-Science-Neulinge, da wir mit den Grundlagen beginnen und uns dann Schritt für Schritt vorarbeiten
Course content
Expand all 292 lectures 16:22:21
+ – Die Wissenschaft der Data Science – Die Disziplinen der Data Science
5 lectures 31:09
Data Science und Business-Begriffe: Wir bringen Licht ins Dunkel
1 question
Der Unterschied zwischen „Analyse“ und „Analytics“
03:50
Der Unterschied zwischen „Analyse“ und „Analytics“
1 question
Einführung in Business Analytics, Data Analytics und Data Science
3 questions
Business Intelligence, maschinelles Lernen und KI
09:31
Business Intelligence, maschinelles Lernen und KI
2 questions
Data-Science-Infografik: Ein Überblick
04:03
Data-Science-Infografik: Ein Überblick
1 question
+ – Die Wissenschaft der Data Science – Data-Science-Disziplinen im Zusammenhang
1 lecture 07:19
Anwendung von klassischen Daten, Big Data, BI, traditioneller Data Science + ML
07:19
Anwendung von klassischen Daten, Big Data, BI, klassischer Data Science + ML
1 question
+ – Die Wissenschaft der Data Science – Die spezifischen Vorteile der Disziplinen
1 lecture 03:46
Gründe für die einzelnen Disziplinen
03:46
Gründe für die einzelnen Disziplinen
1 question
+ – Die Wissenschaft der Data Science – Beliebte Data-Science-Verfahren
11 lectures 53:31
Verfahren für klassische Daten
08:13
Verfahren für klassische Daten
1 question
Verfahren für klassische Daten: Beispiele aus der Praxis
01:44
Verfahren für Big Data
04:26
Verfahren für Big Data
1 question
Verfahren für Big Data: Beispiele aus der Praxis
01:32
Verfahren für Business Intelligence (BI)
06:45
Verfahren für Business Intelligence (BI)
4 questions
Verfahren für Business Intelligence (BI): Beispiele aus der Praxis
01:42
Verfahren für klassische Data Science
09:05
Verfahren für klassische Data Science
4 questions
Verfahren für klassische Data Science: Beispiele aus der Praxis
02:45
Verfahren für maschinelles Lernen (ML)
06:55
Verfahren für maschinelles Lernen (ML)
2 questions
Teilgebiete des maschinellen Lernens
08:13
Teilgebiete des maschinellen Lernens
2 questions
Verfahren für maschinelles Lernen (ML): Beispiele aus der Praxis
02:11
Verfahren für maschinelles Lernen (ML): Beispiele aus der Praxis
5 questions
+ – Die Wissenschaft der Data Science – Beliebte Data-Science-Tools
1 lecture 05:51
Programmiersprachen und Software in der Data Science
05:51
Programmiersprachen und Software in der Data Science
4 questions
+ – Die Wissenschaft der Data Science – Berufsfelder in der Data Science
1 lecture 03:29
Jobsuche: Darauf kommt es an
03:29
Jobsuche: Darauf kommt es an
1 question
+ – Die Wissenschaft der Data Science – Ein Ende den Missverständnissen
1 lecture 04:10
Ein Ende den Missverständnissen
04:10
Ein Ende den Missverständnissen
1 question
+ – Statistik – Deskriptive Statistik
22 lectures 48:02
Datentypen
2 questions
Skalenniveaus
03:42
Skalenniveaus
2 questions
Kategorische Variablen. Visualisierungsverfahren.
04:52
Kategorische Variablen. Visualisierungsverfahren.
1 question
Kategorische Variablen. Visualisierungsverfahren. Übung.
00:03
Numerische Variablen. Verwendung von Häufigkeitstabellen.
03:09
Numerische Variablen. Verwendung von Häufigkeitstabellen.
1 question
Numerische Variablen. Verwendung von Häufigkeitstabellen. Übung.
00:03
Histogramme
02:14
Histogramme
1 question
Histogramme. Übung.
00:03
Kreuztabellen und Streudiagramme
04:44
Kreuztabellen und Streudiagramme
1 question
Kreuztabellen und Streudiagramme. Übung.
00:03
Mittel, Median und Modus
04:20
Mittel, Median und Modus. Übung.
00:03
Schiefe
02:37
Schiefe
1 question
Schiefe. Übung.
00:03
Varianz
05:55
Varianz. Übung.
00:03
Standardabweichung und Variationskoeffizient
04:40
Standardabweichung
1 question
Standardabweichung und Variationskoeffizient. Übung.
00:03
Kovarianz
03:23
Kovarianz
1 question
Kovarianz. Übung.
00:03
Korrelationskoeffizient
03:17
Korrelation
1 question
Korrelationskoeffizient. Übung.
00:03