In dieser Weiterbildung erlernen Sie die Programmierung mit Python und vertiefen Ihr Wissen in den Bereichen Data Science und Machine Learning. Ein besonderer Fokus liegt auf der grafischen Programmierung, um Daten visuell ansprechend darzustellen. Sie erwerben grundlegende Kenntnisse in Python, einschließlich der Arbeit mit Variablen, Datentypen, Kontrollstrukturen und Funktionen. Darauf aufbauend lernen Sie, Daten mit Bibliotheken wie pandas und NumPy zu analysieren und zu verarbeiten. Im Bereich Machine Learning setzen Sie sich mit Algorithmen für überwachtes und unüberwachtes Lernen auseinander und implementieren diese mit scikit-learn. Die grafische Programmierung ermöglicht es Ihnen, Daten mit matplotlib und seaborn zu visualisieren und interaktive Dashboards zu erstellen. Durch praxisorientierte Übungen und Projekte wenden Sie die erlernten Konzepte direkt an. Sie entwickeln eigene Anwendungen, die Datenanalyse, Machine Learning und grafische Programmierung kombinieren. Nach Abschluss der Weiterbildung sind Sie in der Lage, komplexe Datenanalysen durchzuführen, Machine-Learning-Modelle zu erstellen und Ergebnisse mittels grafischer Programmierung effektiv zu visualisieren.

Grundlagen der Python-Programmierung
  • Kenntnisse im Bereich grafische Programmierung: Algorithmen und Python-Grundlagen
  • Syntax und Semantik
  • Erste Anwendungen aus der grafischen Programmierung: Variablen und Zuweisungen
  • Datentypen: Ganzzahlen, Gleitkommazahlen, komplexe Zahlen
  • Praxisbeispiele mit Fokus auf grafische Programmierung: Zeichenketten (str) und deren Operationen
  • Kontrollstrukturen: if, else, elif
  • Schleifen: for und while
  • Einbindung von grafischer Programmierung beim Definieren und Aufrufen von Funktionen

Machine Learning Grundlagen und Techniken
  • Einführung mit Bezug auf grafische Programmierung
  • Arten des Machine Learning
  • Einblicke in die Datenvorbereitung für grafische Programmierung
  • Training und Auswahl eines Vorhersagemodells
  • Bewertung von Modellen in der grafischen Programmierung
  • Modellbewertung und Hyperparameter-Tuning
  • Ensemble Learning (z. B. Bagging und Boosting)

Deep Learning und Künstliche Intelligenz
  • Aufgaben und Funktion im Kontext von grafischer Programmierung
  • Trainieren eines Neuronalen Netzes
  • Prozesse und Strukturen der grafischen Programmierung bei Neuronalen Netzen
  • Abgrenzung von Machine Learning und Deep Learning
  • Anwendungsfelder aus der grafischen Programmierung in Cloud Deep Learning, Bildgenerierung, Musik und Video
  • Erkennung der Umgebung mit YOLO und TensorFlow.js unter Einbeziehung grafischer Programmierung

Datenverarbeitung und angewandte Data Science
  • Datenreinigung mit Methoden der grafischen Programmierung
  • Einführung in Pandas und Dataframes
  • Datenvisualisierung unter Einsatz grafischer Programmierung
  • Einführung in Neuronale Netze
  • Lineare Regression mit Bezug auf grafische Programmierung
  • K-nearest-neighbor-Klassifizierung
  • K-Means Clustering und Aspekte der grafischen Programmierung