Teach on Udemy

Turn what you know into an opportunity and reach millions around the world.

Learn More

Your cart is empty.

Keep shopping

Data Science & Maschinelles Lernen in Python - am Beispiel

Name: Data Science & Maschinelles Lernen in Python - am Beispiel
Rating: 4.3 (878 reviews)

Werde Datenexperte! Umfassender Kurs zum Thema Data-Mining und Maschinellem Lernen mit Python und Spark

Created bySundog Education by Frank Kane, Jannis Seemann

Last updated 2/2025

German

What you'll learn

Riesige Datenmengen zu analysieren
Finde Zusammenhänge in den Daten
Entwickle ein Empfehlungssystem ("Kunden die X kauften, kauften auch...")
Skaliere die Rechenarbeit auf ein Cluster mit Hilfe von Apache Spark und MLLIB
Bekomme bessere Ergebnisse, indem du lernst, wie du die Daten vor der Berechnung bereinigen kannst

Course content

10 sections • 70 lectures • 9h 6m total length

Einleitung4:21
Benötigte Materialien0:08
Python lokal installieren (Windows)6:46
In dieser Lektion installierst du Python (Anaconda) bei dir auf deinem Computer.
Crashkurs Python10:42
In dieser Lektion gibt's einen kleinen Crashkurs zum Thema Python.
Crashkurs Python: Funktionen5:26
In dieser Lektion gibt's einen kleinen Crashkurs zum Thema Python.
Python Scripts ausführen4:32
In dieser Lektion lernst du verschiedene Möglichkeiten kennen, wie du Python-Code ausführen kannst.

Arten von Daten8:45
In dieser Lektion lernst du den Unterschied zwischen numerischen Daten, kategorischen Daten und ordinalen Daten kennen.
Mittelwert, Medianwert, Modalwert5:52
In dieser Lektion lernst du den Unterschied zwischen dem Mittelwerd, dem Medianwert und dem Modalwert kennen.
Übung: Mittelwert, Medianwert, Modalwert8:49
In dieser Lektion lernst du, wie du den Mittelwert, den Medianwert und den Modalwert mit Python berechnen kannst.
Übung: Standardabweichung und Varianz11:36
Dichtefunktion4:11
In dieser Lektion geht es um die Dichtefunktion sowie die Wahrscheinlichkeitsfunktion einer Verteilung.
Wichtige Verteilungen9:02
In dieser Lektion lernst du die wichtigsten Verteilungen kennen (Normalverteilung, Poissonverteilung, ...)
Perzentile und Momente13:04
In dieser Lektion lernst du die Grundlagen über Perzentile und Momente von Funktionen.
Crashkurs Matplotlib13:41
In dieser Lektion lernst du die Grundlagen zum Zeichnen von Graphen mit Hilfe von Matplot.
Kovarianz und Korrelation13:46
Bedingte Wahrscheinlichkeit12:58
Lösung: Bedingte Wahrscheinlichkeit3:14
In dieser Lektion geht es weiter um die Bedingte Wahrscheinlichkeit.
Satz von Bayes11:16
In dieser Lektion lernst du den Satz von Bayes kennen.

Überwachtes vs. unüberwachtes, maschinelles Lernen8:28
In dieser Lektion lernst du den Unterschied zwischen überwachtem und unüberwachtem, maschinellem Lernen kennen.
Train / Test6:06
Bayes'sche Verfahren6:03
In dieser Lektion lernst du Bayes'sche Verfahren kennen.
Übung: Bayes'sche Verfahren9:20
In dieser Lektion lernst du Bayes'sche Verfahren kennen.
K-Means Clustering8:16
In dieser Lektion lernst du den K-Means Clustering - Algorithmus kennen.
Übung: K-Means Clustering5:26
In dieser Lektion lernst du den K-Means Clustering - Algorithmus kennen.
Entropie3:57
In dieser Lektion lernst du, was es mit dem Begriff "Entropie" auf sich hat.
Entscheidungsbäume7:20
In dieser Lektion lernst du, wie Entscheidungsbäume funktionieren.
Installiere Graphviz0:24
Übung: Entscheidungsbäume10:54
In dieser Lektion lernst du wie du mit Hilfe von Python einen Entscheidungsbaum konstruieren kannst.
Ensemble Learning6:43
In dieser Lektion lernst du die Grundidee hinter "Ensemble Learning" kennen.
Support Vector Machines6:25
In dieser Lektion lernst du die Grundidee hinter den "Support Vector Machines" kennen.
Übung: Support Vector Machines7:19
In dieser Lektion lernst du die Grundidee hinter den "Support Vector Machines" kennen.

Benutzerbasiertes, kollaboratives Filtern5:07
In dieser Lektion lernst du das Konzept hinter benutzerbasiertem, kollaborativem Filtern kennen.
Artikelbasiertes, kollaboratives Filtern6:04
In dieser Lektion lernst du das Konzept hinter artikelbasierten, kollaborativem Filtern kennen.
Übung: Empfehlungssystem für Filme (benutzerbasiert), Teil 18:46
In dieser Lektion lernst du, wie du benutzerbasiertes Filtern anwenden kannst.
Übung: Empfehlungssystem für Filme (benutzerbasiert), Teil 27:55
In dieser Lektion lernst du, wie du benutzerbasiertes Filtern anwenden kannst.
Übung: Empfehlungssystem für Filme (artikelbasiert), Teil 110:57
In dieser Lektion lernst du, wie du artikelbasiertes Filtern anwenden kannst.
Übung: Empfehlungssystem für Filme (artikelbasiert), Teil 25:49
In dieser Lektion lernst du, wie du artikelbasiertes Filtern anwenden kannst.

K-Nächste-Nachbarn: Konzept3:11
In dieser Lektion lernst du den K-Nearest-Neighbor - Algorithmus kennen.
Übung: Bewertung von Filmen vorhersagen (mit kNN)11:41
In dieser Lektion sagst du mit Hilfe des K-Nearest-Neighbor - Algorithmus die Bewertung von Filmen vorher.
Dimensionsreduktion, Hauptkomponentenanalyse6:34
In dieser Lektion lernst du, wie du mit Hilfe der Hauptkomponentenanalyse eine Dimensionsreduktion durchführen kannst.
Übung: Dimensionsreduktion des Iris-Datensatzes10:11
In dieser Lektion lernst du, wie du mit Hilfe der Hauptkomponentenanalyse eine Dimensionsreduktion durchführen kannst.
Data Warehousing: Konzept, ETL / ELT9:22
In dieser Lektion lernst du die Grundidee hinter dem "Data Warehousing" sowie die Konzepte ETL bzw. ELT kennen.
Bestärkendes Lernen (Reinforcement Learning)14:03
In dieser Lektion lernst du das Konzept hinter bestärkendem Lernen kennen.

Das Bias / Varianz - Dilemma6:16
In dieser Lektion lernst du das Bias / Varianz - Dilemma kennen.
Übung: Überanpassung vermeiden mit der k-fold cross-validation10:42
Bereinigen von Daten, Normalisieren von Daten5:29
In dieser Lektion lernst du, wie du Daten bereinigen kannst, was mögliche Fehlerquellen sein können, etc.
Interaktiv: Bereinigen von Zugriffsdaten auf eine Webseite13:23
In dieser Lektion ermitteln wir die Unterseiten, die von einem Blog am häufigsten aufgerufen werden. Hierbei werden wir die Daten in mehreren Schritten bereinigen müssen.
Normalisieren von numerischen Daten6:45
In dieser Lektion lernst du, wie du numerische Daten normalisieren kannst.
Interaktiv: Ausreißer entdecken7:00
In dieser Lektion lernst du, wie du Ausreißer identifizieren kannst.

Einführung in Apache Spark2:19
In dieser Lektion lernst du die Grundlagen zu Apache Spark.
Installation von Apache Spark (Windows)15:18
In dieser Lektion zeige ich dir, wie du Apache Spark unter Windows installieren kannst.
Grundlagen: Apache Spark9:41
In dieser Lektion legen wir ein paar weitere Grundlagen zu Apache Spark.
Resilient Distributed DataSet12:32
In dieser Lektion lernst du, was es mit dem Resilient Distributed DataSet auf sich hat.
Einführung in mllib4:42
In dieser Lektion lernst du mllib kennen.
Entscheidungsbäume mit Apache Spark19:06
In dieser Lektion lernst du, wie du Entscheidungsbäume mit Apache Spark bauen kannst.
K-Means Clustering mit Apache Spark8:10
In dieser Lektion lernst du, wie du ein K-Means Clustering mit Apache Spark umsetzen kannst.
Konzept: TF-IDF5:50
In dieser Lektion lernst du das Konzept hinter TF-IDF kennen.
Wikipedia durchsuchen mit TF-IDF und Apache Spark10:18
In dieser Lektion durchsuchen Wikipedia - mit Hilfe von Apache Spark und TF-IDF.

Requirements

Du brauchst einen Computer (Windows / Mac / Linux), um Anaconda auszuführen. Im Kurs werden wir die Installation Schritt für Schritt durchgehen.
Du solltest vorher schonmal etwas programmiert haben
Du solltest ein grundlegendes Verständnis von Mathematik haben. Wenn du ein Gymnasium besucht hast, reicht das locker.
Die Installationsanleitungen in diesem Kurs beziehen sich auf Windows. Die Code-Beispiele werden auch auf Mac / Linux laufen, wir können für Mac / Linux - Probleme aber keinen Support anbieten.

Description

Kurs zuletzt aktualisiert: 09.03.2017!

Data Scientists landen richtig gut bezahlte Jobs, mit einem durchschnittlichen Gehalt von ~80.000€ (Quelle: Gehaltsvergleichsportal Glassdoor), in Amerika sogar noch mehr. Und das ist nur der Durchschnitt. Aber es geht nicht nur ums Geld - der Job ist auch noch verdammt spannend!

Wenn du schon etwas programmieren kannst, wird dir dieser Kurs alles beibringen, was du zum Thema Data Science und Maschinellem Lernen wissen musst. Sei es, um das wissen für ein eigenes Projekt anzuwenden, oder um einen Einstieg in dieses Gebiet zu finden.

Dieser umfassende Kurs besteht aus 68 Lektionen, gut 9 Stunden Video, und zu vielen Themen gibt es praktische Python Codebeispiele, damit du direkt siehst, wie diese Algorithmen verwendet werden können.

Die Themen dieses Kurses sind die Themen, die wirklich für einen Job in diesem Feld benötigt werden. In verständlicher deutscher Sprache wirst du die verschiedenen Möglichkeiten kennenlernen:

Lineare und Polynomiale Regressionsanalyse
K-Means - Algorithmus
Hauptkomponentenanalyse
Train/Test, Kreuzvalidierungsverfahren
Bayes'sche Methoden
Entscheidungsbäume, Random Forests
Multivariante Regression
Support Vector Machines
Bestärkendes Lernen
Empfehlungssystem: Kollaboratives Filtern
K-Nächster-Nachbar
Bias / Varianz - Dilemma
Ensemble Learning
Volltextsuche mit Hilfe von TF-IDF
Wie wird ein Experiment durchgeführt? AB-Tests

... und noch viel mehr. Zudem lernst du in einem kompletten Kapitel, wie maschinelles Lernen mit Apache Spark funktioniert. Mit Hilfe von Spark kannst du die Berechnungen auf mehrere Computer aufteilen und so massive Datenmengen verarbeiten.

Wenn du noch nicht mit Python programmiert hast, kein Problem - am Anfang gibt es einen kurzen Crashkurs. Wenn du vorher schonmal was programmiert hast, reicht das locker aus. In diesem Kurs zeige ich dir auch die Installation unter Windows, wobei die Beispiele auch unter Mac oder Linux ausgeführt werden könnten - bei Problemen die mit dem Betriebssystem zusammenhängen kann ich dich aber nur bei Windows unterstützen.

Jedes Thema wird in normaler deutscher Sprache erklärt, ohne verwirrende mathematische Fachwörter. Anschließend lernst du, wie du mit Python den Algorithmus verwenden kannst.

Wenn du schonmal was programmiert hast, und dich mit der Auswertung von Daten beschäftigen möchtest, dann ist der Kurs genau das Richtige für dich. Du lernst in diesem Kurs all die Grundlagen, die du brauchst, wenn du Daten im echten Leben auswerten möchtest. Ich glaub, der Kurs wird dir gefallen! :-)

Who this course is for:

Softwareentwickler oder Programmierer, die eine Karriere im Bereich Data Science starten wollen
Du bist Analyst, und wertest z.B. im Finanz- oder Versicherungssektor Daten aus? In diesem Kurs lernst du, wie du das automatisiert mit Programmen umsetzen kannst. Wichtig: Du solltest vorher schonmal irgendwas programmiert haben.
Wenn du noch nie programmiert hast - dann solltest du diesen Kurs noch NICHT belegen. Schau dir erstmal einen Python-Kurs an

Data Science & Maschinelles Lernen in Python - am Beispiel

What you'll learn

Explore related topics

Course content

Hier starten6 lectures • 32min

Statistik und Wahrscheikeitstheorie, Grundlagen Python12 lectures • 1hr 56min

Grundlagen der Wahrscheinlichkeitsrechung4 lectures • 35min

Machine Learning mit Python 313 lectures • 1hr 27min

Empfehlungssystem6 lectures • 45min

Weitere Techniken und Konzepte6 lectures • 55min

Arbeiten mit echten Daten6 lectures • 50min

Apache Spark9 lectures • 1hr 28min

Weitere Konzepte5 lectures • 34min

Schlussworte3 lectures • 5min

Requirements

Description

Who this course is for: