Udemy

Platform

Deutsch

Language

Data Science

Category

Python für Data Science, Machine Learning, Deep Learning!

Data Science: Machine Learning, Neuronale Netze, Deep Learning, AI, Big Data, Spark SQL, Tensorflow, Statistik, NLP!

4.92 (12 reviews)

Students

82 hours

Content

Jul 2021

Last Update
Regular Price

SKILLSHARE
SkillShare
Unlimited access to 30 000 Premium SkillShare courses
30-DAY FREE TRIAL

What you will learn

Du lernst Data Science mit der Programmiersprache Python: von A-Z!

Lerne eigene Machine Learning Modelle und Neuronale Netzwerke zu entwickeln

Du lernst alle relevanten Konzepte im Bereich Data Science, Machine Learning, Deep Learning und Big Data in Python

Du wirst in der Lage sein echte Daten einzulesen, zu verarbeiten, zu analysieren und grafisch zu visualisieren

Statistik komplett: Metriken, Korrelationen, Regressionen, Verteilungen, Zeitreihen, Wahrscheinlichkeiten, Konfidenzintervalle, Hypothesentests, A-/B-Tests

Machine Learning komplett: Lineare/Logistische Regression, KNN, SVMs, Random Forests, Naiver Bayes, K Means Clustering, PCA, K Fold Cross Validation

Erfahre alles über Natural Language Processing, Empfehlungssysteme, Predictive Analytics & Bilderkennung!

Lerne Millionen von Daten über Big Data mit Apache Spark zu verarbeiten: RDDs, SparkSQL und AWS Cloud!

Verwende Keras und Tensorflow um eigene Neuronale Netzwerke zu trainieren!

Interaktive Übungen & Projekte: Echte Daten und direkte Anwendung!


Description

"Das ist der beste Kurs im deutschen Raum, moderne Methoden und einfache sowie verständliche Aufgabenstellungen... ist eines meiner besten Investitionen für meine Zukunft" (★★★★★) S. Siddiqi über den Kurs


Data Scientists sind enorm gefragt und haben überdurchschnittliche Einstiegsgehälter!

Wolltest Du schon immer Data Science und Machine Learning mit Python lernen? Herzlich Willkommen zu:

Der ultimative Python Kurs für Data Science, Machine Learning, Deep Learning, Big Data!

Dieser Kurs ist wohl der umfangreichste Kurs überhaupt auf Udemy und bietet dir die beste Ausbildung zum Data Scientist.

In diesem Kurs lernst du die Konzepte der Data Science, Machine Learning und Neuronalen Netzen mit Python! Unabhängig davon welche Vorkenntnisse du hast oder wofür du Python verwenden möchtest:.

Über 80h Lerninhalte bestehend aus über 700 Lektionen mit mehr als 1.000 Begleitmaterialien!

Für diesen Kurs werden absolut keine Programmierkenntnisse benötigt!

Das wirst Du in diesem Python Data Science Kurs lernen:

  • Du lernst Data Science mit der Programmiersprache Python: von A-Z!

  • Du wirst in der Lage sein echte Daten einzulesen, zu verarbeiten, zu analysieren und grafisch zu visualisieren

  • Lerne eigene Machine Learning Modelle und Neuronale Netzwerke zu entwickeln

  • Verwende Keras und Tensorflow um eigene Neuronale Netzwerke zu trainieren!

  • Lerne Millionen von Daten über Big Data mit Apache Spark zu verarbeiten: RDDs, SparkSQL und AWS Cloud!


Wie ist dieser Kurs aufgebaut?

  1. Abschnitt: Python Grundlagen

    • Start: Python Einrichtung & IDE

    • Datenstrukturen: Variablen, Strings, Zahlen

    • Umwandlungen, Mathematische Operationen

    • If-Abfragen, Booleans, Operatoren, Schleifen


  2. Abschnitt: Data Science

    • Numpy: Arrays, Vektoren, Matrizen

    • Pandas: Echte Daten einlesen, DataFrames

    • Matplotlib: Grafiken zeichnen

    • Seaborn/Plotly: Data Science Visualisierungen


  3. Abschnitt: Statistik

    • Mittelwerte, Streuungsmetriken, Quantile, Boxplots

    • Zusammenhangskennzahlen

    • Kombinatorik, Stochastik, Verteilungen

    • Konfidenzintervalle, Parametertests


  4. Abschnitt: Machine Learning

    • Lineare, Logistische Regression

    • KNN, Decision Trees, Random Forests

    • SVMs, Naiver Bayes, Modellbewertungen

    • Clustering, PCA, K Fold Cross Validation


  5. Abschnitt: NLP, Empfehlungssysteme, Time Series Analysis

    • Computer Linguistik, Reguläre Ausdrücke

    • Recommender Systems

    • Fallstudien: Produktbewertungen, Filmrezensionen

    • Zeitreihenanalyse, EWMA-/ARIMA-Modelle


  6. Abschnitt: Deep Learning & Neuronale Netzwerke

    • Neuronale Netzwerke verstehen/erstellen

    • Aktivierungsfunktionen

    • Deep Learning: Backpropagation

    • Convolutional Neural Networks


  7. Abschnitt: Big Data mit Apache Spark & AWS

    • Resilient Distributed Datasets (RDD)

    • SparkSQL-DataFrames und SQL-Abfragen

    • Sehr große Datenmengen über Cluster verarbeiten

    • Spark Cloud & MLlib über Amazon Web Services (AWS)


Wende dein erlerntes Wissen direkt an! Unzählige Übungsaufgaben, Lernerfolgskontrollen, Quizzes & Zusammenfassungen

Wir fangen bei den wichtigsten Grundlagen von Python an und werden die einzelnen Lerninhalte insbesondere sehr praxisnahe anhand von Beispielen, Praxisprojekten und Fallstudien vertiefen.

Perfekter Einstieg in die Data Science!

In diesem Kurs beschäftigen wir uns mit dem derzeit gefragtesten Berufsbild überhaupt: Data Science! Wir lernen alles über die Data Science Module in Python wie Matplotlib, Pandas, Seaborn, NumPy, Scipy, Scikit-Learn, Regex, NLTK, Tensorflow, Keras und PySpark!

Lerne die beliebteste Programmiersprache der Welt!

Python gehört zu den beliebtesten Programmiersprachen überhaupt! Data-Scientists sind enorm gefragt, gut bezahlt und arbeiten in interessanten Jobs. Datenvisualisierung, Predictive Modelling, Programmierkenntnisse und Machine Learning! Das Berufsfeld ist ausgesprochen vielseitig und gerade auch für Wirtschaftswissenschaftler mit Statistikkenntnissen interessant.

In diesem Kurs findest du unzählige Begleitressourcen, Quizze, Tests, Übungsaufgaben, Fallstudien und Zusammenfassungen - Der beste Weg ein Experte im Bereich Data Science mit Python zu werden!

Der einfachste Weg Python Programmieren zu lernen!

Praxisnahe Insights:

  • Lerne mit echten Daten zu arbeiten

  • Bearbeite Problemstellungen aus dem echten Leben

  • Lerne Python auf jeden geeigneten Use Case praktisch zu übertragen

  • Fordere dein Wissen mit diversen Quizzen und Übungsaufgaben heraus

  • Einfaches Wiederholen von Wissen durch umfangreiche Zusammenfassungen

  • Und viel mehr...

Dieser Python Kurs besteht aus einer Vielzahl praktischer Übungen. Du lernst also nicht nur die Werkzeuge von Python kennen, sondern auch, wie du die Visualisierungsmöglichkeiten auf praxisnahe Data Science und Business Fälle anwenden kannst!

Du bist perfekt vorbereitet auf zukünftige Problemstellungen

--------------------------------------------

Bereite dich JETZT vor auf die Arbeitswelt von morgen!

--------------------------------------------


**** Lebenslanger Zugang zum Videomaterial und Kursunterlagen! ****

Zu allen Lektionen bekommst du hochprofessionelle Python Skripte zur Verfügung gestellt, um die Thematik zu verinnerlichen und anschließend auf eigene Use-Cases übertragen zu können.

--------------------------------------------

**** Im Kurs zum Download erhältlich ****

  • 600 Seiten Zusammenfassung aller inhaltlichen Themen und Codes (PDF)

  • 1.600 Seiten Skript aller Foliensätze (PDF)

  • Diverse Cheatsheets mit den wichtigsten Codes (PDF)

  • Formelsammlungen für die deskriptive und induktive Statistik mit Python (PDF)

  • Hunderte Python-Dateien mit Code-Anwendungen, Übungen und Projekten (.py/.ipynb)

  • Lösungen der Berechnungen in Python (.py/.ipynb)

--------------------------------------------

Also, worauf wartest Du? Schreib dich am besten direkt ein in diesen Kurs!

Mit der 30-Tage 100% Geld-zurück-Garantie hast Du absolut kein Risiko. Falls der Kurs nicht zu Dir passen sollte, kannst Du ihn ganz unkompliziert binnen 30-Tage wieder zurück geben!

Ich hoffe wir sehen uns gleich direkt im Kurs. Eine Investition in Bildung trägt die höchsten Zinsen!

Dein Fabio


Screenshots

Python für Data Science, Machine Learning, Deep Learning!
Python für Data Science, Machine Learning, Deep Learning!
Python für Data Science, Machine Learning, Deep Learning!
Python für Data Science, Machine Learning, Deep Learning!

Content

Einleitung

Herzlich Willkommen zum Kurs!

Dozentenvorstellung

Kursaufbau

Installation der Python Umgebung + erstes Programm

Download aller Kursunterlagen

Download Gesamtskript/Foliensätze

Python Crashkurs: Datenstrukturen (optional)

[Crashkurs I]: Jupyter Notebook IDE

[Crashkurs I]: Datentypen

[Crashkurs I]: Variablen

[Crashkurs I]: Aufgabe 1

[Crashkurs I]: Aufgabe 1 Lösung

[Crashkurs I]: Zusammenfassung Teil 1

[Crashkurs I]: Strings

[Crashkurs I]: Listen

[Crashkurs I]: Zusammenfassung Teil 2

[Crashkurs I]: Umwandlungen

[Crashkurs I]: Dictionaries

[Crashkurs I]: Tupel

[Crashkurs I]: Sets

[Crashkurs I]: Mathematische Operatoren

[Crashkurs I]: Kommentare

[Crashkurs I]: Aufgabe 2

[Crashkurs I]: Aufgabe 2 Lösung

Grundlagen Teil 1

[Crashkurs I]: Zusammenfassung Teil 3

Python Crashkurs: Funktionen, Kontrollstrukturen (optional)

[Crashkurs II]: Funktionen

[Crashkurs II]: If-Abfragen

Grundlagen Teil 2: Funktionen

[Crashkurs II]: Vergleichsoperatoren

[Crashkurs II]: Booleans

[Crashkurs II]: Ausdrücke verknüpfen

[Crashkurs II]: Zusammenfassung Teil 1

[Crashkurs II]: Die for-Schleife

[Crashkurs II]: Die while-Schleife

[Crashkurs II]: Elif-Konstrukt

Grundlagen Teil 2: Schleifen

[Crashkurs II]: Zusammenfassung Teil 2

NumPy: Datenanalyse

[NumPy]: Einführung

[NumPy]: Installation & Setup

[NumPy]: Arrays

[NumPy]: Indizierung

[NumPy]: Reshape-Funktion

[NumPy]: Mehrdimensionale Arrays

[NumPy]: Operationen

NumPy 1: Grundlagen

[NumPy]: Visualisierungen

[NumPy]: Aufgabe 1

[NumPy]: Aufgabe 1 Lösung

[NumPy]: Informationsfunktionen

[NumPy]: Modellierung Teil 1

[NumPy]: Modellierung Teil 2

[NumPy]: Initialisierung

[NumPy]: Mathematische Funktionen

NumPy 2: Grundlagen

[NumPy]: Strukturierung

[NumPy]: Aufgabe 2

[NumPy]: Aufgabe 2 Lösung

[NumPy]: Exkurs: Interne Funktionsweise (optional)

NumPy 3: Weiterführendes

[NumPy]: Zusammenfassung

Matplotlib I: Visualisierungen

[Matplotlib I]: Einführung

[Matplotlib I]: Teil 1

[Matplotlib I]: Teil 2

[Matplotlib I]: Teil 3

[Matplotlib I]: Teil 4

[Matplotlib I]: Teil 5

[Matplotlib I]: Teil 6

Matplotlib I

[Matplotlib I]: Zusammenfassung

Pandas: Data Frames

[Pandas]: Einführung

[Pandas]: Teil 1

[Pandas]: Teil 2

[Pandas]: Teil 3

Pandas: Teil 1

[Pandas]: Teil 4

[Pandas]: Teil 5

[Pandas]: Zusammenfassung Teil 1

[Pandas]: Teil 6

[Pandas]: Teil 7

Pandas: Teil 2

[Os]: Teil 1

[Os]: Teil 2

[Os]: Teil 3

[Pandas]: Groupby-Funktion

[Pandas]: Umwandlungen von Datentypen

[Pandas]: Aufgabe COVID-19 Impfungen

[Pandas]: Musterlösung COVID-19 Impfungen

Data Science Stack

Pandas: Teil 3

[Pandas]: Zusammenfassung Teil 2

Matplotlib II: Visualisierungen

[Matplotlib II]: Einführung

[Matplotlib II]: Seaborn Stile optimieren

[Matplotlib II]: Teil 1

[Matplotlib II]: Teil 2

[Matplotlib II]: Teil 3

[Matplotlib II]: Teil 4

[Matplotlib II]: Teil 5

[Matplotlib II]: Aufgabe

[Matplotlib II]: Musterlösung

Matplotlib II

[Matplotlib II]: Zusammenfassung

Seaborn: Visualisierungen

[Seaborn]: Einführung

[Seaborn]: Gallerie

[Seaborn]: Teil 1

[Seaborn]: Teil 2

[Seaborn]: Teil 3

[Seaborn]: Teil 4

[Seaborn]: Teil 5

[Seaborn]: Teil 6

[Aufgabe]: Boxplot & Zeitreihe

[Musterlösung]: Boxplot & Zeitreihe

[Aufgabe]: Korrelationsmatrix

[Musterlösung]: Korrelationsmatrix

Seaborn

[Seaborn]: Zusammenfassung

Pandas: Visualisierungen

[Pandas Plots]: Einführung

[Pandas Plots]: Teil 1

[Pandas Plots]: Teil 2

[Pandas Plots]: Teil 3

[Pandas Plots]: Teil 4

[Download]: Praxisprojekt Finanzdaten visualisieren

[Pandas Plots]: Projekt: Finanzdaten visualisieren

[Pandas Plots]: Übungsaufgabe

[Pandas Plots]: Lösung

Pandas Plots

Data Science Projekt

[Theorie]: Exkurs: Was ist Data Science?

[Data Science]: Kapitelübersicht

[Projekt 1]: Datengrundlage

[Projekt 1]: Einführung

[Projekt 1]: Teil 1

[Projekt 1]: Teil 2

[Projekt 1]: Teil 3

[Projekt 1]: Teil 4

[Projekt 1]: Teil 5

[Projekt 1]: Zusammenfassung (PDF)

[Projekt 2]: Datengrundlage

[Projekt 2]: Einführung

[Projekt 2]: Teil 1

[Projekt 2]: Teil 2

[Projekt 2]: Teil 3

[Projekt 2]: Teil 4

[Projekt 2]: Zusammenfassung (PDF)

Plotly & Cufflinks: Interaktive Grafiken

[Plotly]: Teil 1

[Plotly]: Teil 2

[Plotly]: Teil 3

[Plotly]: Teil 4

[Plotly]: Teil 5

[Plotly]: Teil 6

[Plotly]: Teil 7

[Plotly]: Teil 8

[Plotly]: Teil 9

[Plotly]: Teil 10

Plotly Visualisierungen

Statistik I: Einführung, Deskriptive Statistik

[Statistik I]: Einführung in die Statistik

[Theorie]: Skalenniveaus

10 Quizfragen Skalenniveaus (Pflicht!)

[Lösung Quiz]: Skalenniveaus (überspringen, falls richtig beantwortet)

[Statistik I]: Hinweis: Cheat Sheet Deskriptive Statistik in Python

[Statistik I]: Cheat Sheet Deskriptive Statistik in Python

[Theorie]: Mittelwertkennzahlen

[Download]: Projektdaten Deskriptive Statistik

[Code]: Mittelwertkennzahlen 1

[Code]: Mittelwertkennzahlen 2

Mittelwertkennzahlen

[Code]: Histogramme zeichnen

[Download]: Übungsdaten Aufgaben

[Aufgabe]: Mittelwertkennzahlen

[Lösung]: Mittelwertkennzahlen

[Theorie]: Quantile, Perzentile, Boxplots

[Code]: Quantile, Perzentile, Boxplots

[Aufgabe]: Quantile, Perzentile, Boxplots

[Lösung]: Quantile, Perzentile, Boxplots

[Simulation]: Boxplots

Boxplots

[Theorie]: Streuungskennzahlen

[Code]: Streuungskennzahlen

[Simulation]: Streuungskennzahlen

[Theorie]: Korrigierte Stichprobenvarianz

[Aufgabe]: Streuungskennzahlen

[Lösung]: Streuungskennzahlen

[Statistik I]: Zusammenfassung Teil 1

[Theorie]: Zusammenhangsmaßkennzahlen

Welche Kennzahlen verwenden?

[Theorie]: (optional) Kontingenzkoeffizient

[Code]: Cramér's V Kontingenzkoeffizient

[Download]: Projektdaten Cramér's V

[Aufgabe]: Cramér's V Kontingenzkoeffizient

[Lösung]: Cramér's V Kontingenzkoeffizient

[Theorie]: (optional) Rangkorrelation nach Spearman

[Code]: Rangkorrelation nach Spearman

[Theorie]: Kovarianz & Korrelationskoeffizient

[Code]: Kovarianz & Korrelationskoeffizient 1

[Code]: Kovarianz & Korrelationskoeffizient 2

[Aufgabe]: Korrelationskoeffizient

[Lösung]: Korrelationskoeffizient

Zusammenhangsmaßzahlen

[Theorie]: Bereinigung von Daten

[Theorie]: Normalisieren von numerischen Daten

[Theorie]: Outlier Detection

[Code]: Outlier Detection

[Aufgabe]: Outlier-Detection

[Lösung]: Outlier-Detection

[Statistik I]: Zusammenfassung Teil 2

Statistik II: Stochastik, Verteilungen

[Statistik II]: Einführung in die Induktive Statistik

[Statistik II]: Cheat-Sheet Induktive Statistik mit Python

[Theorie]: Kombinatorik

[Code]: Kombinatorik

[Code]: Exkurs: Permutationen

[Theorie]: Wahrscheinlichkeitsverteilungen

[Theorie]: Diskrete und stetige Verteilungen

[Code]: Diskrete Verteilungen

[Code]: Stetige Verteilungen

[Code]: Übersicht Verteilungen

[Theorie]: Binomialverteilung

[Code]: Binomialverteilung 1

[Code]: Binomialverteilung 2

[Simulation]: Binomialverteilung

[Theorie]: (optional) Hypergeometrische Verteilung

[Simulation]: Hypergeometrische Verteilung

[Theorie]: Poisson-Verteilung

[Code]: Poisson-Verteilung 1

[Code]: Poisson-Verteilung 2

[Simulation]: Poisson-Verteilung

[Theorie]: Normalverteilung

[Code]: Normalverteilung

[Simulation]: Normalverteilung

Normalverteilung

[Aufgabe]: Verteilungen

[Lösung]: Verteilungen

[Theorie]: Perzentile und Momente

[Code]: Perzentile und Momente

[Theorie]: (optional) Exponentialverteilung

[Simulation]: Exponentialverteilung

[Code]: Verteilungen plotten

[Theorie]: Bias-Variance-Tradeoff

[Statistik II]: Zusammenfassung

Machine Learning I: Einführung

[Machine Learning I]: Einführung

[Machine Learning I]: Ansätze und Methoden

[Machine Learning I]: Python Setup, Scikit Learn

Machine Learning Einführung

Machine Learning II: Lineare Regression

[Theorie]: Einführung Lineare Regression

[Projekt]: Datengrundlage

[Projekt]: Callcenter Umsatzzahlen

[Simulation]: Lineare Regression

[Machine Learning II]: Zusammenfassung Teil 1

[Code]: Lineare Regression Teil 1

[Code]: Lineare Regression Teil 2

[Code]: Lineare Regression Teil 3

[Code]: Lineare Regression Teil 4

[Code]: Lineare Regression Teil 5

[Code]: Lineare Regression Teil 6

[Code]: Lineare Regression Teil 7

[Code]: Random Sampling

[Machine Learning II]: Aufgabe

[Machine Learning II]: Musterlösung

[Theorie]: Exkurs: Reinforcement Learning

Lineare Regression

[Machine Learning II]: Zusammenfassung Teil 2

Machine Learning III: Gütebewertung & Train-/Test-Konzept

[Theorie]: Bestimmtheitsmaß r²

[Code]: Bestimmtheitsmaß r²

[Code]: Bestimmtheitsmaß r² bei mehreren Regressoren

[Theorie]: Adjustiertes Bestimmtheitsmaß r²

Bestimmtheitsmaß r²

[Theorie]: Aufteilung Train-/Test-Daten

[Code]: Train-/Test-Split Teil 1

[Code]: Train-/Test-Split Teil 2

[Code]: Train-/Test-Split Teil 3

[Code]: Train-/Test-Split Teil 4

Train-/Test-Split

[Machine Learning III]: Zusammenfassung

Machine Learning IV: Regressionsanalysen

[Theorie]: Multivariate Regression

[Code]: Multivariate Regression

[Cheatsheet]: Multivariate Regressionsanalyse

[Simulation]: Ebenengleichung

[Theorie]: BETA-Koeffizienten

[Code]: BETA-Koeffizienten

Multivariate Regression & BETA-Koeffizienten

[Machine Learning IV]: Multiple Regression & BETA Zusammenfassung

[Aufgabe]: Bahnunternehmen: Multivariate Regression

[Lösung]: Bahnunternehmen: Multivariate Regression

[Theorie]: Polynomiale Regression

[Simulation]: Polynomiale Regression

[Theorie]: Polynomiale Funktion

[Code]: Polynomiale Regression Teil 1

[Code]: Polynomiale Regression Teil 2

[Code]: Polynomiale Regression Teil 3

Polynomiale Regression

[Machine Learning IV]: Polynomiale Regression Zusammenfassung

Klassifizierung I: Logistische Regression

[Theorie]: Einführung Klassifizierung

Klassifizierung

[Theorie]: Logistische Regression

[Code]: Fermilfunktion

Logistische Regression & Fermilfunktion

[Projekt]: Datengrundlage Herzerkrankung

[Code]: Logistische Regression Teil 1

[Code]: Logistische Regression Teil 2

[Code]: Logistische Regression Teil 3

[Simulation]: Logistische Regression

[Aufgabe]: Logistische Regression Beschwerdenmanagement

[Lösung]: Logistische Regression Beschwerdenmanagement

Logistische Regression: Fortgeschrittenes

[Klassifizierung I]: Zusammenfassung

Fehlerklassifizierung und Modelloptimierung

[Theorie]: Fehlerklassifizierung

[Code]: Konfusionsmatrix

Fehlerklassifizierung und Modelloptimierung

[Theorie]: Precision und Recall

[Code]: Precision und Recall

Precision und Recall

[Code]: Modelloptimierung

[Code]: Parameter modellieren

[Theorie]: Receiver Operating Characteristic Kurve

[Code]: Receiver Operating Characteristic Kurve

Modelloptimierung

[Zusammenfassung]: Fehlerklassifizierung und Modellanpassung

Klassifizierung II: K-Nearest-Neighbors

[Theorie]: K-Nearest-Neighbors

[Code]: K-Nearest-Neighbors Teil 1

[Code]: K-Nearest-Neighbors Teil 2

K Nearest Neighbors

[Theorie]: Decision Boundary

[Code]: Decision Boundary Teil 1

[Code]: Decision Boundary Teil 2

[Code]: Decision Boundary Teil 3

Decision Boundary

[Theorie]: KNN vs. logistische Regression

[Exkurs]: Warum Standardisierung?

[Theorie]: Standardisierung von Daten

[Code]: Standardisierung von Daten

[Aufgabe]: KNN-Algorithmus

[Lösung]: KNN-Algorithmus

[KNN]: Zusammenfassung

Klassifizierung III: Decision Trees/Random Forests

[Theorie]: Entropie

Entropie

[Exkurs]: Künstliche Intelligenz Programm

[Theorie]: Decision Trees

[Code]: Decision Trees Teil 1

[Code]: Decision Trees Teil 2

[Code]: Wie funktioniert der Decision Tree?

[Code]: Decision Trees Teil 3

Decision Trees

[Theorie]: Random Forests

[Code]: Random Forests

Random Forests

[Exkurs]: Plotten des Decision Trees

[Exkurs]: Ensemble Learning

[Decision Trees]: Zusammenfassung

Fallstudie: Airline

[Download]: Airline Daten

[Aufgabe]: Airline

[Lösung]: Airline

[Download]: Entscheidungsbaum als PDF

[Download]: Fallstudie Airline Zusammenfassung

Modellanpassung: Über-/Unteranpassung

[Theorie]: Modellanpassung

[Code]: Overfitting vs. Underfitting Decision Tree

[Code]: Overfitting vs. Underfitting KNN

Overfitting vs. Underfitting

[Modellanpassung]: Zusammenfassung

Multinomiale Klassifizierung

[Theorie]: Multinomiale Klassifizierung

[Code]: Multinomiale Klassifizierung

[Theorie]: Multinomiale logistische Regression

[Code]: Multinomiale logistische Regression

Multinomiale Klassifizierung

[Zusammenfassung]: Multinomiale Klassifizierung

Klassifizierung mit kategorischen Features

[Theorie]: Klassifizierung mit kategorischen Features

[Download]: Projektdaten Herzerkrankungen

[Code]: Klassifizierung mit kategorischen Features Teil 1

[Code]: Klassifizierung mit kategorischen Features Teil 2

[Code]: Klassifizierung mit kategorischen Features Teil 3

[Code]: Klassifizierung mit kategorischen Features Teil 4

[Code]: Klassifizierung mit kategorischen Features Teil 5

Klassifizierung mit kategorischen Features

[Zusammenfassung]: Klassifizierung mit kategorischen Features

Fallstudie: Titanic

[Fallstudie]: Datengrundlage Titanic

[Fallstudie]: Titanic: Decision Tree Classifier

[Zusammenfassung]: Titanic: Decision Tree Classifier

K Fold Cross Validation

[Theorie]: K Fold Cross Validation

[Code]: KNN: K Fold Cross Validation

K Fold Cross Validation

[Code]: RepeatedKFold

[Code]: GridSearchCV

[Code]: Was hat es mit Validierungsdaten auf sich?

[Code]: Decision Tree: K Fold Cross Validation

[Code]: Skalierung von Daten mit K Fold Cross Validation

GridSearchCV und Hyperparameter

[Zusammenfassung]: K Fold Cross Validation

Support Vector Machines

[Theorie]: Support Vector Machines

[Code]: Support Vector Machines

[Simulation]: Lineare Support Vector Machines

[Code]: SVM und StandardScaler

Support Vector Machines

[Theorie]: Der Kernel-Trick

[Code]: Der Kernel-Trick

[Theorie]: rbf-Kernel

[Code]: rbf-Kernel

RBF-Kernel

[Code]: Hyperparameter optimieren

[Theorie]: Hyperparameter optimieren

SVM-Hyperparameter

[Code]: Prognosegüte evaluieren

[Code]: SVM-Clustering

[SVM]: Zusammenfassung

K Means Clustering

[Theorie]: K Means Clustering

[Simulation]: K Means Clustering

K Means Clustering

[Code]: K Means Clustering Teil 1

[Code]: K Means Clustering Teil 2

[Code]: K Means Clustering Teil 3

[Code]: Random K Means Clustering

[Theorie]: Elbow-Methode

[Code]: Elbow-Methode

Elbow-Methode

[Übung]: k Means-Fallstudie: Absolventen

[Lösung]: k Means-Fallstudie: Absolventen

[K Means]: Zusammenfassung

Principal Component Analysis

[Theorie]: Principal Component Analysis

Principal Component Analysis Grundlagen

[Download]: Tumor Daten

[Code]: Principal Component Analysis Teil 1

[Code]: Principal Component Analysis Teil 2

[Code]: Principal Component Analysis Teil 3

[Code]: Principal Component Analysis Teil 4

[Code]: Principal Component Analysis Teil 5

[Aufgabe]: Principal Component Analysis

[Theorie]: Intention Principal Component Analysis

[Praxisprojekt]: Datengrundlage Herzerkrankung

[Praxisprojekt]: Herzerkrankungen PCA-Analyse

Principal Component Analysis im Code

[Praxisprojekt]: Lösung Herzerkrankungen PCA-Analyse

[Fallstudie]: Hauptkomponentenanalyse

[PCA]: Zusammenfassung

Fallstudie: Iris/Schwertlilien Pflanzengattung

[Theorie]: Einführung Fallstudie Iris

[Code]: Iris-Projekt: Seaborn Visualisierungen

[Code]: Iris-Projekt: Logistische Regression

[Code]: Iris-Projekt: K-Nearest Neighbors

[Code]: Iris-Projekt: k-Means Clustering

[Code]: Iris-Projekt: PCA-Analyse

[Zusammenfassung]: Iris-Projekt

Bias-/Variance Tradeoff

[Theorie]: Einführung Modellanpassung

[Theorie]: Bias-Varianz-Dilemma

Bias-/Variance Tradeoff

[Theorie]: Validierungskurve

[Code]: Validierungskurve

[Theorie]: Lernkurve

[Code]: Lernkurve

[Aufgabe]: Lernkurve: DecisionTreeClassifier

[Lösung]: Lernkurve: DecisionTreeClassifier

Validierungskurve & Lernkurve

[Zusammenfassung]: Bias-/Variance Tradeoff

Fallstudie: Telekommunikationsunternehmen

[Download]: Fallstudie: Telekommunikationsunternehmen

[Fallstudie]: Telekom Teil 1: Einführung

[Fallstudie]: Telekom Teil 2: Explorative Datenanalyse

[Fallstudie]: Telekom Teil 3: Logistische Regression

[Fallstudie]: Telekom Teil 4: Entscheidungsgrenze

[Fallstudie]: Telekom Teil 5: KNN

[Fallstudie]: Telekom Teil 6: Decision Trees

[Fallstudie]: Telekom Teil 7: Random Forests

[Fallstudie]: Telekom Teil 8: Support Vector Machines

[Fallstudie]: Telekom Teil 9: Hauptkomponentenanalyse (PCA)

[Fallstudie]: Telekom Teil 10: Modelloptimierung

[Fallstudie]: Telekom Teil 11: Fazit

[Zusammenfassung]: Telekom-Fallstudie

Naiver Bayes

[Theorie]: Einführung Naiver Bayes

Naiver Bayes

[Theorie]: Stochastische Grundlagen

[Theorie]: Bedingte Wahrscheinlichkeit

[Theorie]: Satz von Bayes

[Code]: Bedingte Wahrscheinlichkeit

Satz von Bayes

[Theorie]: Bayes Klassifikator

Naiver Bayes Klassifikator

[Code]: Naiver Bayes

[Code]: Exkurs: Normalverteilung

[Theorie]: Praxisprojekt Einführung

[Download]: Praxisprojekt: Naiver Bayes

[Code]: Praxisprojekt Teil 1

[Code]: Praxisprojekt Teil 2

[Code]: Praxisprojekt Teil 3

[Zusammenfassung]: Bayes Klassifikator

Empfehlungssysteme

[Theorie]: Empfehlungssysteme

[Theorie]: Unterschied kollaborative Filterungsmethoden

Empfehlungssysteme

[Download]: Praxisprojekt: Filmbewertungen

[Code]: Einführung Empfehlungssysteme

[Code]: Benutzerbasiertes kollaboratives Filtern

[Code]: Artikelbasiertes kollaboratives Filtern

[Zusammenfassung]: Empfehlungssysteme Teil 1

[Download]: Praxisprojekt: Amazon Produktbewertungen

[Projekt]: Teil 1: Amazon Produktbewertungen

[Projekt]: Teil 2: Amazon Produktbewertungen

[Projekt]: Teil 3: Amazon Produktbewertungen

[Projekt]: Teil 4: Amazon Produktbewertungen

[Zusammenfassung]: Empfehlungssysteme Praxisprojekt

Statistik III: Konfidenzintervalle, Schätztheorie

[Statistik III]: Cheat Sheet Schätztheorie

[Theorie]: Konfidenzintervalle

[Code]: Konfidenzintervalle

[Aufgabe]: Konfidenzintervalle: Software Unternehmen

[Lösung]: Konfidenzintervalle: Software Unternehmen

Konfidenzintervalle

[Theorie]: Einführung statistische Parametertests

[Simulation]: Hypothesentests

[Theorie]: 1-SP-Test für den Erwartungswert

[Code]: 1-SP-Test für den Erwartungswert

[Theorie]: 1-SP-Test für den Anteilswert

[Code]: 1-SP-Test für den Anteilswert

[Theorie]: 1-SP-Test für den Varianzwert

[Code]: 1-SP-Test für den Varianzwert

[Theorie]: 2-SP-Test für den Erwartungswert

[Code]: 2-SP-Test für den Erwartungswert

[Theorie]: 2-SP-Test für den Anteilswert

[Code]: 2-SP-Test für den Anteilswert

[Theorie]: 2-SP-Test für den Varianzwert

[Code]: 2-SP-Test für den Varianzwert

Hypothesentests

[Code]: Chi²-Anpassungstest Einführung

[Theorie]: Chi²-Anpassungstest auf Normalverteilung

[Simulation]: Chi²-Anpassungstest

Chi²-Anpassungstest

[Theorie]: A-/B-Test

[Theorie]: t-Test und p-Wert

[Code]: A-/B-Test, t-Test, p-Wert

[Theorie]: Fehlerarten

A-/B-Tests, t-test, p-Wert, Fehlerarten

[Statistik III]: Zusammenfassung

Time Series Analysis (Zeitreihenanalyse)

[Theorie]: Einführung

[Theorie]: Trendprognoseverfahren

[Cheatsheet]: Zeitreihenanalyse

Zeitreihen und Trendprognoseverfahren

[Code]: Exponentielles Glättungsverfahren

[Theorie]: Fehlerberechnung & Güteschätzung

[Code]: Fehlerberechnung & Güteschätzung

[Theorie]: Standardisierung: SAP, Amazon, Apple

[Theorie]: Zeitreihen mit Pandas

[Code]: Datumswerte und Indexing

[Code]: Stichprobenwiederholung

[Code]: Zeitverschiebungen (Time Shifts)

[Code]: Integrierte Rollmethoden

[Code]: Exkurs: Volatilitätsbänder

[Projekt]: Ethereum Zeitreihenanalyse Teil 1

[Projekt]: Ethereum Zeitreihenanalyse Teil 2

[Aufgabe]: Aktienkurse: Visa/Mastercard

[Musterlösung]: Aktienkurse: Visa/Mastercard

[Theorie]: Zeitreihenkonzepte

[Theorie]: Statsmodels-Modul

[Code]: Statsmodels-Modul

[Theorie]: Fehler-Trend-Saisonalität

[Code]: Fehler-Trend-Saisonalität

[Theorie]: EWMA-Modelle

[Code]: EWMA-Modelle

[Theorie]: ARIMA Modelle

[Code]: ARIMA Teil 1

[Code]: ARIMA Teil 2

[Code]: ARIMA Teil 3

ARIMA-Modelle

[Time Series Analysis]: Zusammenfassung

MNIST Ziffernerkennung

[Theorie]: MNIST Ziffernerkennung

MNIST-Dataset

[Download]: MNIST Projektdaten

[Code]: MNIST Ziffernerkennung Teil 1

[Code]: MNIST Ziffernerkennung Teil 2

[Code]: MNIST Ziffernerkennung Teil 3

[Code]: MNIST Ziffernerkennung Teil 4

[Zusammenfassung]: MNIST Ziffernerkennung

Reguläre Ausdrücke für Natural Language Processing

[Regex]: Kapitelübersicht

[Regex]: Einführung

[Regex]: Teil 1: Grundlagen

[Regex]: Teil 2: Reguläre Ausdrücke entwickeln

Reguläre Ausdrücke Grundlagen

[Regex]: Teil 3: Compile-Funktion

[Regex]: Hinweis: Regexr.com

[Regex]: Teil 4: Regexr in unserem Code

[Regex]: Teil 5: Zahlen und Währungen

[Regex]: Teil 6: Sonderzeichen

[Regex]: Aufgabe 1

[Regex]: Aufgabe 1 Lösung

[Regex]: Teil 7: Datumsangaben

[Regex]: Teil 8: Datetime-Modul

[Regex]: Teil 9: E-Mail-Verifizierung

[Regex]: Teil 10: URLs

[Regex]: Aufgabe 2

[Regex]: Aufgabe 2 Lösung

Reguläre Ausdrücke Fortgeschritten

[Reguläre Ausdrücke]: Zusammenfassung

Natural Language Processing

[Theorie]: Einführung NLP

[Theorie]: Funktionsweise NLP

[Code]: Installation & Setup

[Code]: POS-Tagging

[Code]: Stemmer

[Code]: Lemmatizer

Natural Language Processing

[Zusammenfassung]: Natural Language Processing Teil 1

[Download]: Praxisprojekt Twitter Analyse

[Praxisprojekt]: Twitter Analyse Teil 1

[Praxisprojekt]: Twitter Analyse Teil 2

[Praxisprojekt]: Twitter Analyse Teil 3

[Praxisprojekt]: Twitter Analyse Teil 4

[Praxisprojekt]: Twitter Analyse Teil 5

[Praxisprojekt]: Twitter Analyse Teil 6

[Code]: Exkurs: Spracherkennung

[Zusammenfassung]: Natural Language Processing Teil 2

Neuronale Netze und Deep Learning

[Theorie]: Neuronale Netze Teil 1

[Theorie]: Neuronale Netze Teil 2

Neuronale Netze: Grundlagen

[Theorie]: Exkurs: Abgrenzung wichtiger Begriffe

[Theorie]: Perceptron Modell

[Theorie]: Tensorflow/Keras

[Installation]: Tensorflow/Keras

[Code]: Künstliches Neuron Teil 1

[Code]: Künstliches Neuron Teil 2

Neuronale Netze: Code

[Download]: Cheatsheet Künstliches Neuron

[Code]: Künstliches Neuron Teil 3

[Theorie]: Aktivierungsfunktion

[Code]: Aktivierungsfunktion

[Zusammenfassung]: Neuronale Netze Teil 1

[Theorie]: Initialisierung der Gewichte

[Theorie]: Kostenfunktion

[Simulation]: Gradientenverfahren

[Theorie]: Binary Cross Entropy

[Theorie]: Backpropagation

Backpropagation

[Code]: Backpropagation

[Theorie]: Train-/Test und Scale

[Code]: Modellbewertung

[Theorie]: Aktivierungsfunktion

[Code]: Aktivierungsfunktionen: Fermil und ReLU

[Code]: ReLU-Funktion

ReLU-Funktion

[Theorie]: Neuronen hintereinander schalten

[Theorie]: Multi Class Klassifikation

[Code]: Softmax Aktivierungsfunktion

[Theorie]: Categorical Cross Entropy

[Zusammenfassung]: Neuronale Netze Teil 2

Fallstudie: Neuronale Netze

[Theorie]: Einführung

[Download]: Projekt 1 Daten Neuronale Netze

[Projekt 1]: Einführung

[Projekt 1]: Neuronale Netze Teil 1

[Projekt 1]: Neuronale Netze Teil 2

[Projekt 1]: Zusammenfassung (PDF)

[Download]: Projekt 2 Daten Neuronale Netze

[Projekt 2]: Einführung

[Projekt 2]: Neuronale Netze Teil 1

[Projekt 2]: Neuronale Netze Teil 2

[Projekt 2: Zusammenfassung (PDF)

MNIST: Neuronale Netze

[Theorie]: MNIST Neuronale Netze

[Code]: MNIST Neuronale Netze Teil 1

[Code]: MNIST Neuronale Netze Teil 2

[Code]: MNIST Neuronale Netze Teil 3

[Code]: MNIST Neuronale Netze Teil 4

[Code]: MNIST Neuronale Netze Teil 5

[Zusammenfassung]: MNIST Neuronale Netze

Convolutional Networks

[Theorie]: Einführung Convolutional Networks

[Code]: CNN Teil 1

[Code]: CNN Teil 2

Convolutional Networks

[Theorie]: Max Pooling Layer

[Theorie]: CNN Filter

[Theorie]: CNN Implementierung

[Code]: CNN Teil 3

[Code]: CNN Teil 4

[Code]: CNN Teil 5

[Code]: CNN Teil 6

[Zusammenfassung]: Convolutional Networks

Projekte: Medical-/Chinese-/Fashion-MNIST

[Projekt]: Einführung Projekte

[Download]: Fashion-MNIST Projektdaten

[Projekt]: Fashion-MNIST Einführung

[Code]: Fashion-MNIST Teil 1

[Code]: Fashion-MNIST Teil 2

[Code]: Fashion-MNIST Teil 3

[Code]: Fashion-MNIST Teil 4

[Download]: Medical-MNIST Projektdaten

[Projekt]: Medical-MNIST Einführung

[Download]: Chinese-MNIST Projektdaten

[Projekt]: Chinese-MNIST Einführung

[Zusammenfassung]: Fashion-MNIST

Deep Learning: Fortgeschrittene Methoden und Konzepte

[Code]: Modellbewertung

[Code]: Praxistipp: Zwischenstände

[Code]: Konfusionsmatrix

[Code]: Filter/Gewichte plotten

[Code]: Aktivierungen analysieren

[Theorie]: Dropout-Konzept

[Code]: Dropout-Konzept

Neuronale Netze: Fortgeschrittenes

[Zusammenfassung]: Deep Learning Fortgeschritten

Big Data und Apache Spark

[Theorie]: Data Warehousing & Big Data

[Theorie]: Big Data Einführung

[Theorie]: Apache Spark Einführung

Big Data und Apache Spark

Spark Installation: winutils.exe

[Installation]: Spark-Umgebung

[Theorie]: Resilient Distributed Datasets

[Code]: Resilient Distributed Datasets Teil 1

[Theorie]: Lambda Operatoren

[Code]: Resilient Distributed Datasets Teil 2

[Code]: Resilient Distributed Datasets Teil 3

[Code]: Resilient Distributed Datasets Teil 4

[Zusammenfassung]: Resilient Distributed Datasets

[Code]: ReduceByKey-Funktion

[Code]: Sortierung

[Code]: FlatMap

[Aufgabe]: Extraktion

[Lösung]: Extraktion

Resilient Distributed Datasets

[Zusammenfassung]: MapReduce

Spark Projekte

[Theorie]: Einführung Spark Projekt

[Download]: Flugdaten Spark Projekt

[Projekt]: Flugdaten Spark Teil 1

[Projekt]: Flugdaten Spark Teil 2

[Projekt]: Flugdaten Spark Teil 3

[Projekt]: Flugdaten Spark Teil 4

[Aufgabe]: Flugdaten Spark

[Lösung]: Flugdaten Spark

[Zusammenfassung]: Flugdaten-Projekt

[Download]: Amazon Produktbewertungen

[Projekt]: Amazon Produktbewertungen Teil 1

[Projekt]: Amazon Produktbewertungen Teil 2

[Projekt]: Amazon Produktbewertungen Teil 3

[Projekt]: Amazon Produktbewertungen Teil 4

[Aufgabe]: Kreisdiagramm Amazon Produktbewertungen

[Aufgabe]: Amazon Produktbewertungen

[Lösung]: Amazon Produktbewertungen

[Zusammenfassung]: Amazon-Projekt

Spark SQL

[Theorie]: Einführung Spark SQL

[Download]: Projektdaten Spark SQL

[Code]: Einführung Spark SQL

[Code]: Abfragesprache

[Code]: Aggregationsfunktionen

[Aufgabe]: Aggregationsfunktionen mit Spark SQL

[Musterlösung]: Aggregationsfunktionen mit Spark SQL

[Code]: Describe-Funktion

[Code]: Spaltenbearbeitungen

[Code]: Gruppierungen

[Code]: Aggregationen

[Zusammenfassung]: SparkSQL Teil 1

[Code]: Grafische Visualisierung + Aufgabe

[Code]: Spark SQL Data Frames vs. RDDs

[Code]: SQL-Abfragesprache

Spark SQL

[Zusammenfassung]: SparkSQL Teil 2

Projekt: Spark SQL

[Download]: Spark SQL Praxisprojekt

[Projekt]: Spark SQL: Teil 1 Lebenserwartungen

[Projekt]: Spark SQL: Teil 2 Lebenserwartungen

[Projekt]: Spark SQL: Teil 3 + Aufgabe Lebenserwartungen

[Projekt]: Spark SQL: Teil 4 Lebenserwartungen

[Aufgabe]: Spark SQL: Lebenserwartungen

[Lösung]: Spark SQL: Lebenserwartungen

[Projekt]: Spark SQL: Teil 5 Lebenserwartungen

[Exkurs:]: Transponierung von Daten

[Exkurs:]: Pivotierung von Daten

Pivotierung von Daten

[Zusammenfassung]: Spark Praxisprojekt

Spark MLlib: Machine Learning

[Theorie]: MLlib Spark

[Theorie]: Machine Learning mit MLlib

[Code]: Entscheidungsbäume mit MLlib

[Code]: K Means Clustering mit MLlib

MLlib: Machine Learning mit Spark

[Zusammenfassung]: MLlib Machine Learning Zusammenfassung

Spark Cloud & AWS

[Theorie]: AWS

[AWS]: Registrierung Amazon Web Services

[AWS]: Managementkonsole

[Code]: Anpassung Apache Spark Skript Teil 1

[Code]: Anpassung Apache Spark Skript Teil 2

[AWS]: Elastic MapReduce

[AWS]: Berechnung EMR

[AWS]: Projekt: Amazon Produktbewertungen Teil 1

[AWS]: Projekt: Amazon Produktbewertungen Teil 2

[AWS]: Machine Learning mit K Means Clustering

[Theorie]: Partitionierung

[Code]: Partitionierung

Partitionierung

[Zusammenfassung]: Spark Cloud AWS Zusammenfassung

Abschluss

Abschluss und Ausblick

Vielen Dank für Dein Vertrauen!

Weitere Lernmöglichkeiten für Dich!


3776446

Udemy ID

1/15/2021

Course created date

6/11/2021

Course Indexed date
Bot
Course Submitted by