Data Science & Maschinelles Lernen in Python - am Beispiel
4.3 (363 ratings)
Instead of using a simple lifetime average, Udemy calculates a course's star rating by considering a number of different factors such as the number of ratings, the age of ratings, and the likelihood of fraudulent ratings.
3,251 students enrolled
Wishlisted Wishlist

Please confirm that you want to add Data Science & Maschinelles Lernen in Python - am Beispiel to your Wishlist.

Add to Wishlist

Data Science & Maschinelles Lernen in Python - am Beispiel

Werde Datenexperte! Umfassender Kurs zum Thema Data-Mining und Maschinellem Lernen mit Python und Spark
4.3 (363 ratings)
Instead of using a simple lifetime average, Udemy calculates a course's star rating by considering a number of different factors such as the number of ratings, the age of ratings, and the likelihood of fraudulent ratings.
3,251 students enrolled
Last updated 3/2017
German
Current price: $10 Original price: $125 Discount: 92% off
5 hours left at this price!
30-Day Money-Back Guarantee
Includes:
  • 9 hours on-demand video
  • 3 Articles
  • 2 Supplemental Resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
What Will I 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
View Curriculum
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 is the target audience?
  • 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
Students Who Viewed This Course Also Viewed
Curriculum For This Course
70 Lectures
09:06:54
+
Hier starten
6 Lectures 32:31


In dieser Lektion installierst du Python (Anaconda) bei dir auf deinem Computer.

Preview 07:22

In dieser Lektion gibt's einen kleinen Crashkurs zum Thema Python.

Crashkurs Python
10:42

In dieser Lektion gibt's einen kleinen Crashkurs zum Thema Python.

Preview 05:26

In dieser Lektion lernst du verschiedene Möglichkeiten kennen, wie du Python-Code ausführen kannst.

Python Scripts ausführen
04:32
+
Statistik und Wahrscheikeitstheorie, Grundlagen Python
12 Lectures 01:56:14

In dieser Lektion lernst du den Unterschied zwischen numerischen Daten, kategorischen Daten und ordinalen Daten kennen.

Preview 08:45

In dieser Lektion lernst du den Unterschied zwischen dem Mittelwerd, dem Medianwert und dem Modalwert kennen.

Preview 05:52

In dieser Lektion lernst du, wie du den Mittelwert, den Medianwert und den Modalwert mit Python berechnen kannst.

Preview 08:49


In dieser Lektion geht es um die Dichtefunktion sowie die Wahrscheinlichkeitsfunktion einer Verteilung.

Preview 04:11

In dieser Lektion lernst du die wichtigsten Verteilungen kennen (Normalverteilung, Poissonverteilung, ...)

Preview 09:02

In dieser Lektion lernst du die Grundlagen über Perzentile und Momente von Funktionen.

Perzentile und Momente
13:04

In dieser Lektion lernst du die Grundlagen zum Zeichnen von Graphen mit Hilfe von Matplot.

Crashkurs Matplotlib
13:41

Kovarianz und Korrelation
13:46

Bedingte Wahrscheinlichkeit
12:58

In dieser Lektion geht es weiter um die Bedingte Wahrscheinlichkeit.

Lösung: Bedingte Wahrscheinlichkeit
03:14

In dieser Lektion lernst du den Satz von Bayes kennen.

Satz von Bayes
11:16
+
Grundlagen der Wahrscheinlichkeitsrechung
4 Lectures 35:29

In dieser Lektion lernst du die Lineare Regressionsanalyse kennen.

Lineare Regression
12:07

In dieser Lektion lernst du die Polynomiale Regressionsanalyse kennen.

Polynomiale Regression
09:23

In dieser Lektion lernst du die Multivariante Regressionsanalyse kennen.

Multivariante Regressionsanalyse
10:36

In dieser Lektion lernst du Mehrschichtige Modelle kennen.

Mehrschichtige Modelle
03:23
+
Machine Learning mit Python 3
13 Lectures 01:26:42

In dieser Lektion lernst du den Unterschied zwischen überwachtem und unüberwachtem, maschinellem Lernen kennen.

Überwachtes vs. unüberwachtes, maschinelles Lernen
08:28

Train / Test
06:06

In dieser Lektion lernst du Bayes'sche Verfahren kennen.

Bayes'sche Verfahren
06:03

In dieser Lektion lernst du Bayes'sche Verfahren kennen.

Übung: Bayes'sche Verfahren
09:20

In dieser Lektion lernst du den K-Means Clustering - Algorithmus kennen.

K-Means Clustering
08:16

In dieser Lektion lernst du den K-Means Clustering - Algorithmus kennen.

Übung: K-Means Clustering
05:26

In dieser Lektion lernst du, was es mit dem Begriff "Entropie" auf sich hat.

Entropie
03:57

In dieser Lektion lernst du, wie Entscheidungsbäume funktionieren.

Entscheidungsbäume
07:20

Installiere Graphviz
00:25

In dieser Lektion lernst du wie du mit Hilfe von Python einen Entscheidungsbaum konstruieren kannst.

Übung: Entscheidungsbäume
10:54

In dieser Lektion lernst du die Grundidee hinter "Ensemble Learning" kennen.

Ensemble Learning
06:43

In dieser Lektion lernst du die Grundidee hinter den "Support Vector Machines" kennen.

Support Vector Machines
06:25

In dieser Lektion lernst du die Grundidee hinter den "Support Vector Machines" kennen.

Übung: Support Vector Machines
07:19
+
Empfehlungssystem
6 Lectures 44:38

In dieser Lektion lernst du das Konzept hinter benutzerbasiertem, kollaborativem Filtern kennen.

Benutzerbasiertes, kollaboratives Filtern
05:07

In dieser Lektion lernst du das Konzept hinter artikelbasierten, kollaborativem Filtern kennen.

Artikelbasiertes, kollaboratives Filtern
06:04

In dieser Lektion lernst du, wie du benutzerbasiertes Filtern anwenden kannst.

Übung: Empfehlungssystem für Filme (benutzerbasiert), Teil 1
08:46

In dieser Lektion lernst du, wie du benutzerbasiertes Filtern anwenden kannst.

Übung: Empfehlungssystem für Filme (benutzerbasiert), Teil 2
07:55

In dieser Lektion lernst du, wie du artikelbasiertes Filtern anwenden kannst.

Übung: Empfehlungssystem für Filme (artikelbasiert), Teil 1
10:57

In dieser Lektion lernst du, wie du artikelbasiertes Filtern anwenden kannst.

Übung: Empfehlungssystem für Filme (artikelbasiert), Teil 2
05:49
+
Weitere Techniken und Konzepte
6 Lectures 55:02

In dieser Lektion lernst du den K-Nearest-Neighbor - Algorithmus kennen.

K-Nächste-Nachbarn: Konzept
03:11

In dieser Lektion sagst du mit Hilfe des K-Nearest-Neighbor - Algorithmus die Bewertung von Filmen vorher.

Übung: Bewertung von Filmen vorhersagen (mit kNN)
11:41

In dieser Lektion lernst du, wie du mit Hilfe der Hauptkomponentenanalyse eine Dimensionsreduktion durchführen kannst.

Dimensionsreduktion, Hauptkomponentenanalyse
06:34

In dieser Lektion lernst du, wie du mit Hilfe der Hauptkomponentenanalyse eine Dimensionsreduktion durchführen kannst.

Übung: Dimensionsreduktion des Iris-Datensatzes
10:11

In dieser Lektion lernst du die Grundidee hinter dem "Data Warehousing" sowie die Konzepte ETL bzw. ELT kennen.

Data Warehousing: Konzept, ETL / ELT
09:22

In dieser Lektion lernst du das Konzept hinter bestärkendem Lernen kennen.

Bestärkendes Lernen (Reinforcement Learning)
14:03
+
Arbeiten mit echten Daten
6 Lectures 49:35

In dieser Lektion lernst du das Bias / Varianz - Dilemma kennen.

Das Bias / Varianz - Dilemma
06:16

Übung: Überanpassung vermeiden mit der k-fold cross-validation
10:42

In dieser Lektion lernst du, wie du Daten bereinigen kannst, was mögliche Fehlerquellen sein können, etc. 

Bereinigen von Daten, Normalisieren von Daten
05:29

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.

Interaktiv: Bereinigen von Zugriffsdaten auf eine Webseite
13:23

In dieser Lektion lernst du, wie du numerische Daten normalisieren kannst.

Normalisieren von numerischen Daten
06:45

In dieser Lektion lernst du, wie du Ausreißer identifizieren kannst.

Interaktiv: Ausreißer entdecken
07:00
+
Apache Spark
9 Lectures 01:27:56

In dieser Lektion lernst du die Grundlagen zu Apache Spark.

Einführung in Apache Spark
02:19

In dieser Lektion zeige ich dir, wie du Apache Spark unter Windows installieren kannst.

Installation von Apache Spark (Windows)
15:18

In dieser Lektion legen wir ein paar weitere Grundlagen zu Apache Spark.

Grundlagen: Apache Spark
09:41

In dieser Lektion lernst du, was es mit dem Resilient Distributed DataSet auf sich hat. 

Resilient Distributed DataSet
12:32

In dieser Lektion lernst du mllib kennen.

Einführung in mllib
04:42

In dieser Lektion lernst du, wie du Entscheidungsbäume mit Apache Spark bauen kannst.

Entscheidungsbäume mit Apache Spark
19:06

In dieser Lektion lernst du, wie du ein K-Means Clustering mit Apache Spark umsetzen kannst.

K-Means Clustering mit Apache Spark
08:10

In dieser Lektion lernst du das Konzept hinter TF-IDF kennen.

Konzept: TF-IDF
05:50

In dieser Lektion durchsuchen Wikipedia - mit Hilfe von Apache Spark und TF-IDF.

Wikipedia durchsuchen mit TF-IDF und Apache Spark
10:18
+
Weitere Konzepte
5 Lectures 34:00

In dieser Lektion lernst du das Konzept hinter AB-Tests kennen.

A/B - Test
06:13

In dieser Lektion lernst du den T-Test sowie den P-Wert kennen.

T-Test / P-Wert
06:46

In dieser Lektion lernst du den T-Test sowie den P-Wert kennen.

Übung: T-Test / P-Wert
07:33

In dieser Lektion lernst du, wie lange ein Test durchgeführt werden sollte.

Wie lange wird ein Test ausgeführt?
02:52

Häufige Fehler
10:36
+
Schlussworte
3 Lectures 04:48
Schlussworte
03:25

Bitte hinterlasse eine Bewertung!
00:24

Bonus
00:59
About the Instructor
Jannis Seemann
4.5 Average rating
3,594 Reviews
19,890 Students
20 Courses
unterrichtet 21 Kurse auf Udemy

Online-Lehrer und erfahrener Webprogrammierer aus Überzeugung

Hi, ich bin Jannis! Mit 14 habe ich meine ersten Webseiten entwickelt. Programmierung ist seitdem meine absolute Leidenschaft.

Begeisterter Programmierer seit der Jugend
Nach dem Abitur und der Teilname an zwei Endrunden im Bundeswettbewerb Informatik habe ich als Volljähriger mein erstes Praktikum in einem großen IT-Konzern in den USA absolviert.

Eigene Firma für professionelle Webentwicklung
Als mittlerweile studierter Informatiker und selbstständiger Unternehmer setze ich erfolgreich Webprojekte für meinen Kunden um und teile mein Wissen und meine Erfahrung in aktuell zwölf Kursen.

Impressum

Um das Impressum aufzurufen, einfach auf mein Profil gehen, und dann unter meinem Bild auf die Erdkugel klicken - du wirst dann zum Impressum weitergeleitet.

Sundog Education by Frank Kane
4.5 Average rating
16,534 Reviews
80,239 Students
9 Courses
Training the World in Big Data and Machine Learning

Sundog Education's mission is to make highly valuable career skills in big data, data science, and machine learning accessible to everyone in the world. Our consortium of expert instructors shares our knowledge in these emerging fields with you, at prices anyone can afford. 

Sundog Education is led by Frank Kane and owned by Frank's company, Sundog Software LLC. Frank spent 9 years at Amazon and IMDb, developing and managing the technology that automatically delivers product and movie recommendations to hundreds of millions of customers, all the time. Frank holds 17 issued patents in the fields of distributed computing, data mining, and machine learning. In 2012, Frank left to start his own successful company, Sundog Software, which focuses on virtual reality environment technology, and teaching others about big data analysis.