Der ultimative PythonKurs fur Data Science ML AI

Der ultimative PythonKurs fur Data Science ML AI

What you’ll learn

Ohne Vorkenntnisse in Python systematisch zum gefragten Data-Science-Experten
Lerne Python mit Ausrichtung auf Data Science
Verstehe Machine Learning, Deep Learning und AI
Lerne Python mit echten Daten anzuwenden
Trainiere ein Neuronales Netz mit Tensorflow und Keras
Wie du mit Python Daten brauchbar auswertest

Requirements

Es werden keine Anforderungen vorausgesetzt
Du benötigst einen Computer oder Laptop (Windows / Mac / Linux)…
und natürlich die Motivation, Data Science und Python lernen zu wollen 🙂

Description

EGAL ob du Python professionell für deinen Job oder privat für dein Hobby erlernen willst. Dieser Kurs ist konzipiert dich ohne Vorkenntnisse zum Data Science Profi mit Python zu machen.Nutze den Python-Kurs mit exzellenten Bewertungen auf Udemy:„Ich bin sehr begeistert! Bin mit fast keinem Wissen hier rein und hab jetzt ein super Verständnis was denn Machine Learning überhaupt ist, man denkt immer das ist absolute Raketenwissenschaft, aber Jannis kann das wirklich super gut erklären, super Investition, danke!!!“ (★★★★★, Peter G.)Deine Entscheidung ein Data-Scientist zu sein, kann Dir viele Türen öffnen!Der Bedarf an qualifizierten Leuten ist groß. Mit diesem Kurs legst Du den Grundstein, ein gefragter Experte zu werden für ein Berufsfeld, wo du laut Indeed Jobbörse ein weit überdurchschnittliches Gehalt beziehen kannst!Du wirst Schritt für Schritt an das Thema Python herangeführt und erlaubt dir den direkten Einstieg in die Welt der Data-Science.Der All-Umfassende Python Kurs für Data Science auf Udemy.Mit 252 Lektionen und 29+ Stunden HD-Videos, unzählige Quizze, Tests, Praxisprojekte, Merkblätter und Übungen.Kurz-Überblick:Verstehe alle Python-GrundlagenEntwickle Data-Science ToolsTrainiere dich mit Quizzen und ÜbungenEinfaches Wiederholen von Wissen mit MerkblätternUmfassende Praxisbeispiele, z.B.:Sage das Brustkrebs-Risiko von Patienten vorherErmittle die Gründe für DiabetesWerte echte Gehälter der Stadt San Francisco ausSchätze den Wert von Gebrauchtwagenund noch viel viel mehrLerne mit dem erfolgreichstem deutschen Udemy Dozenten.Skills die dich zum gefragten Data-Science-Experten machen!Nutze ein einzigartiges Kurskonzept – das dir die Möglichkeit gibt, mit praxisorientierten Konzepten und Daten Python mit Ausrichtung Data-Science zu lernen.Was mein Konzept so beliebt macht?Ich lehre praxisorientiert mit Erfahrung und nicht trockene Theorie wie an der Uni.Komplett-Kurs perfekt aufeinander abgestimmtSupport, der auf deine Rückfragen eingehtPraxis erprobtes Lernkonzept mit grafischen, lerneffektiven VeranschaulichungenDu arbeitest mit echten Daten: So macht Machine Learning besonders viel SpaßIdeal für die Job-Vorbereitung, Uni-Klausur oder anderen persönlichen ZielenTop-Aktuelle Kursinhalte die auf langjährige Erfolge gebaut sindEin komplett durchdachter, praxisorientiert Python Komplett-Kurs, der dich in 4 Schritten systematisch sicher ans Ziel führt, ein Experte zu werden!Schaue dir meine Video-Nachricht and dich an!Die 4 Themen für dich im Einzelnen.Dieser Python Kurs ist speziell entwickelt, um dich auf die 4 wichtigen Themen eines Data-Scientist optimal vorzubereiten. Perfekt aufeinander abgestimmt und interessant gestaltet, sodass dein Lernprozess praxisorientiert und effizient ist.Thema 1: Python Grundlagen (für Einsteiger) Thema 2: Data ScienceThema 3: Machine LearningThema 4: Deep Learning (Neuronale Netze)Thema 1: Python GrundlagenPython zeichnet sich durch eine leicht zu erlernende Syntax aus. Python ist performant und objektorientiert.Lerne die Grundlagen von Python kennen. Du lernst alle Datentypen und Funktionen kennen. Bereits nach ein paar Stunden schreibst du schon eine kleinen Spamfilter as dein erstes Praxisprojekt. Am Schluss bist Du in der Lage schon selbst kleinere Programme zu entwickeln.Hast Du schon Programmiererfahrung mit Python?Dann kannst du diesen ersten Abschnitt überspringen und direkt im zweiten Thema einsteigen!Thema 2: Data ScienceWenn Du ein Data-Scientist bist, geht es für dich um fundierte Methoden der Datenanalyse. Ein extrem wichtiges Gebiet in der Wirtschaft, Wissenschaft, Gesundheitswesen und sogar öffentliche Einrichtungen.All diese Institutionen benötigen die Datenanalysen, um z. B. Handlungsempfehlungen abzuleiten, Qualität und Effizienz zu optimieren, u. a.In diesem Abschnitt lernst du, Daten nach Python einzulesen, zu filtern und grafisch auszuwerten.Das heißt, du lernst Daten brauchbar zu machen.Du lernst mit Tools wie Numpy, Pandas, Matplotlib und Seaborn zu arbeiten!Außerdem lernst du in diesem Abschnitt anhand eines echten Praxisprojektes das gelernte umzusetzen: Wir analysieren die Gehälter der Stadt San Francisco.Thema 3: Machine LearningIn Thema 2 hast du die Grundlagen gelernt, um sich jetzt mit dem Machine Learning zu beschäftigen. Was ist Machine Learning?Kurz erklärt, Machine Learning ist ein Teil der künstlichen Intelligenz (KI). Das heißt, es geht um Algorithmen, die die Muster und Gesetzmäßigkeiten der Daten erkennen.Jetzt lernst die unterschiedlichen Arten und Methoden von Machine Learning und wie du diese für Lösungen verwendest.Dazu gehört auch die Aufbereitung von Daten und wie du die Genauigkeit eines Modells beurteilst. Wir werden das in diesem Abschnitt an eigenen, unterschiedlichen Modellen trainieren und nachvollziehen.Als Beispiel wirst du sehen, wie du Diabetes vorhersagen oder Spamfilter verbessern kannst. Python Anwendungstool hier: Sklearn.Thema 4: Deep Learning / Neuronale NetzeJetzt, wo du in Thema 3 Machine Learning erfolgreich gelernt hast, können wir uns dem Thema Deep Learning (Neuronale Netze) widmen.Mit Deep Learning lernst du die spezielle Methode des maschinellen Lernens und die dazugehörige Informationsverarbeitung. Das schliesst die Neuronale Netze Anwendung ein, um die Arbeitsweise des menschlichen Gehirns nachzustellen.Du beginnst mit einem einzelnen Neuron. Mit Fortschritt dieses Lernabschnittes erweitern wir das Modell, damit du am Ende an einem ganzen neuronalen Netz trainierst.All das, was du in Abschnitt 3 gelernt hast, wird dir jetzt hier weiterhelfen, denn es hilft dir, viele Zusammenhänge im Machine Learning 1:1 auf das Prinzip der Neuronalen Netze anzuwenden.Teil deines Lerninhaltes hier ist auch eine Bilderkennung zu schreiben mit Tools wie Keras und Tensorflow.Klingt gut? Dann würde ich mich sehr freuen, wenn ich dir noch heute die Tür zur Welt der Data Science mit Python öffnen kann. Du lernst mit dem erfolgreichsten, deutschsprachigen Dozenten auf Udemy. Schau dir die Bewertungen zu diesem Kurs an und überzeuge dich selbst 🙂

Overview

Section 1: Einleitung

Lecture 1 Einleitung

Lecture 2 Download der Kursmaterialien

Lecture 3 Installation der benötigten Tools

Section 2: Erste Schritte mit Python

Lecture 4 Hallo Welt in Python

Lecture 5 Erste Schritte

Lecture 6 Mathematische Operatoren

Lecture 7 Merkblatt [PDF]: Mathematische Operatoren

Lecture 8 [Quiz, Lösung]: Mathematische Operatoren

Lecture 9 [Aufgabe]: Mathematische Operatoren

Lecture 10 Crashkurs: Strings (Teil 1)

Lecture 11 Crashkurs: Strings (Teil 2)

Lecture 12 Merkblatt [PDF]: Strings

Lecture 13 [Quiz, Lösung]: Strings

Lecture 14 [Aufgabe]: Strings

Lecture 15 [Musterlösung]: Strings

Lecture 16 Die Jupyter-Umgebung (Teil 1)

Lecture 17 Die Jupyter-Umgebung (Teil 2, Markdown)

Lecture 18 Booleans

Lecture 19 If-Abfragen

Lecture 20 Merkblatt [PDF]: If-Abfragen

Lecture 21 [Quiz, Lösung]: If-Abfragen

Lecture 22 Typenkonvertierung

Lecture 23 Merkblatt [PDF]: Variablen

Lecture 24 [Aufgabe]: Python Grundlagen

Lecture 25 [Musterlösung]: Python Grundlagen

Section 3: Python Grundlagen: Listen und Schleifen

Lecture 26 Einführung: Listen

Lecture 27 Listen (weitere Methoden)

Lecture 28 Merkblatt [PDF]: Listen

Lecture 29 [Quiz, Lösung]: Listen

Lecture 30 Hinweis zur nächsten Lektion: Aufgabe Listen

Lecture 31 [Aufgabe]: Listen

Lecture 32 [Musterlösung]: Listen

Lecture 33 Die for-Schleife (Einführung)

Lecture 34 Die for-Schleife (Beispiel)

Lecture 35 Die for-Schleife (und Strings)

Lecture 36 Die for-Schleife: List Comprehensions

Lecture 37 Die while-Schleife

Lecture 38 Schleifen: break & continue

Lecture 39 Merkblatt [PDF]: Schleifen

Lecture 40 [Aufgabe]: Listen & Schleifen

Lecture 41 [Musterlösung]: Listen und Schleifen (Aufgabe 1 + 2)

Lecture 42 [Musterlösung]: Listen und Schleifen (Aufgabe 3 + 4)

Lecture 43 [Musterlösung]: Listen und Schleifen (Aufgabe 5)

Section 4: Python Grundlagen: Tupel und Dictionaries

Lecture 44 Tupel: Einführung

Lecture 45 Tupel entpacken

Lecture 46 Merkblatt [PDF]: Tupel

Lecture 47 [Quiz, Lösung]: Tupel

Lecture 48 [Aufgabe]: Tupel

Lecture 49 Dictionaries

Lecture 50 Dictionaries (Teil 2)

Lecture 51 Dictionaries (Teil 3)

Lecture 52 Merkblatt [PDF]: Dictionaries

Lecture 53 [Quiz, Lösung]: Dictionaries

Lecture 54 [Aufgabe]: Dictionaries

Lecture 55 [Musterlösung]: Dictionaries

Section 5: Python Grundlagen: Funktionen und Dateien

Lecture 56 Funktionen

Lecture 57 Funktionen & Parameter

Lecture 58 Funktionen, Benannte Parameter, Standardparameter

Lecture 59 Funktionen: Rückgabewerte

Lecture 60 Merkblatt [PDF]: Funktionen

Lecture 61 [Quiz, Lösung]: Funktionen

Lecture 62 Datei einlesen

Lecture 63 Bonus: Datei schreiben

Lecture 64 Merkblatt: Dateien

Lecture 65 [Aufgabe]: Funktionen

Lecture 66 [Musterlösung]: Ein kleiner Hinweis vorab…

Lecture 67 [Musterlösung]: Funktionen, Aufgabe 1-3

Lecture 68 [Musterlösung]: Funktionen, Aufgabe 4

Section 6: Projekt: Spam-Filter

Lecture 69 Ordner auflisten

Lecture 70 Zip-Datei extrahieren

Lecture 71 Eine einzelne E-Mail einlesen

Lecture 72 Bonus: Kodierung von Dateien

Lecture 73 Mehrere E-Mails einlesen

Lecture 74 Alle E-Mails einlesen

Lecture 75 Spam-Filter schreiben (mit Aufgabe)

Lecture 76 [Musterlösung]: Spam-Filter schreiben

Lecture 77 Merkblatt [PDF]: Spam-Filter

Lecture 78 [Bonus, Aufgabe]: Log-Datei einlesen

Lecture 79 [Bonus, Musterlösung]: Log-Datei einlesen

Section 7: Module in Python

Lecture 80 Module importieren

Lecture 81 Eigene Module schreiben

Section 8: Mathematische Berechnungen: Numpy

Lecture 82 Einführung: Numpy

Lecture 83 Berechnungen mit Numpy

Lecture 84 Exkurs: Daten plotten

Lecture 85 Mehrdimensionale Daten

Lecture 86 Numpy: Reshape

Lecture 87 Numpy Operationen

Section 9: Daten auswerten: Pandas (Teil 1)

Lecture 88 Einführung: Pandas

Lecture 89 Exkurs: CSV-Dateien

Lecture 90 Auf Spalten zugreifen

Lecture 91 Spalte auswerten

Lecture 92 Auf Zeilen zugreifen

Lecture 93 Daten abändern

Lecture 94 Merkblätter [PDF]: Pandas, Teil 1

Lecture 95 [Aufgabe]: Pandas, read_csv (und Lösung)

Lecture 96 [Quiz, Lösung]: Pandas, read_csv

Lecture 97 [Aufgabe]: Pandas

Lecture 98 [Musterlösung]: Pandas

Section 10: Daten auswerten: Pandas (Teil 2)

Lecture 99 Datentypen

Lecture 100 Strings verarbeiten

Lecture 101 Datentypen umwandeln

Lecture 102 Zeitreihen abfragen

Lecture 103 Daten sortieren

Lecture 104 Daten gruppieren

Lecture 105 Expertenwissen: GroupBy

Lecture 106 Expertenwissen: Pandas

Lecture 107 Merkblätter [PDF]: Pandas, Teil 2

Lecture 108 [Aufgabe]: Pandas

Lecture 109 Hinweis zur Musterlösung

Lecture 110 [Musterlösung]: Pandas

Section 11: Grafiken erstellen (Matplotlib, Seaborn)

Lecture 111 Punktediagramm plotten

Lecture 112 Punktediagramm konfigurieren

Lecture 113 Farben und Größe anpassen

Lecture 114 Optional: Beschriftungen anpassen

Lecture 115 Balkendiagramme zeichnen

Lecture 116 Mehrere Balken nebeneinander

Lecture 117 Mehrere Balken nebeneinander (Teil 2)

Lecture 118 Histogramm plotten

Lecture 119 Bonus: Jointplot

Lecture 120 Merkblätter [PDF]: Grafiken erstellen

Section 12: Projekt: Gehälter

Lecture 121 Daten einlesen

Lecture 122 [Aufgabe]: Projekt Gehälter

Lecture 123 [Musterlösung, Aufgabe 1 + 2]: Projekt Gehälter

Lecture 124 [Musterlösung, Aufgabe 3]: Projekt Gehälter

Lecture 125 Merkblatt [PDF]: Dateien einlesen

Section 13: Statistische Grundlagen

Lecture 126 Statistische Grundlagen

Lecture 127 Standardabweichung

Lecture 128 Merkblatt [PDF]: Statistische Grundlagen

Section 14: Machine Learning: Einführung

Lecture 129 Machine Learning: Einführung

Section 15: Machine Learning: Lineare Regression

Lecture 130 Wiederholung: Numpy reshape

Lecture 131 Intuition: Lineare Regression

Lecture 132 Lineare Regression (Teil 1)

Lecture 133 Lineare Regression (Teil 2)

Lecture 134 Lineare Regression, Grafik plotten

Lecture 135 Lineare Regression mit mehreren Features

Lecture 136 Warum quadrierter Abstand?

Lecture 137 Merkblatt [PDF]: Lineare Regression

Section 16: Regressionsmodelle vergleichen: R² (Bestimmtheitsmaß)

Lecture 138 Bestimmtheitsmaß: R²

Lecture 139 Bestimmtheitsmaß: R² in Python

Lecture 140 Modelle vergleichen

Lecture 141 Daten mit train/test aufteilen

Lecture 142 Daten aufteilen mit train_test_split

Lecture 143 Merkblatt [PDF]: R², train/test

Section 17: Projekt: Autos

Lecture 144 Einführung in die Daten

Lecture 145 Ein erstes Modell trainieren

Lecture 146 One-Hot-Encoding (eine Spalte)

Lecture 147 One-Hot-Encoding (mehrere Spalten)

Lecture 148 Modell und One-Hot-Encoding

Lecture 149 Weitere Hinweise: One-Hot-Encoding

Lecture 150 [Aufgabe]: Weitere Aufgabe

Lecture 151 [Musterlösung]: Weitere Aufgabe

Lecture 152 Bonus: Die Features auswählen (Teil 1)

Lecture 153 Bonus: Die Features auswählen (Teil 2)

Lecture 154 Merkblatt [PDF]: One-Hot-Encoding

Section 18: Klassifizierung: Logistische Regression

Lecture 155 Einführung: Klassifizierung

Lecture 156 Einführung: Logistische Regression

Lecture 157 Die Sigmoid-Funktion

Lecture 158 Logistische Regression (Teil 1)

Lecture 159 Bonus: Die Features auswählen (Teil 2)

Lecture 160 Logistische Regression: Aufgabe und Lösung

Section 19: Fehler analysieren: Fehlerarten

Lecture 161 Einführung: Fehlerarten

Lecture 162 Confusion Matrix

Lecture 163 Precision und Recall

Lecture 164 Precision und Recall (im Code)

Lecture 165 Klassen unterschiedlich gewichten

Lecture 166 Schwellwert anders setzebn

Section 20: Projekt: Kreditkartenbetrug

Lecture 167 Einführung: Kreditkartendaten

Lecture 168 Lösung: Daten analysieren (Teil 1)

Lecture 169 Lösung: Daten analysieren (Teil 2)

Lecture 170 Abwägungen treffen

Lecture 171 Bonus: Korrelation

Lecture 172 Wichtig: PCA (Theorie)

Lecture 173 Wichtig: PCA (Daten plotten)

Lecture 174 Wichtig: PCA (Modell trainieren)

Section 21: Klassifizierung: K-Nearest-Neighbors

Lecture 175 Einführung: KNN

Lecture 176 KNN-Modell trainieren

Lecture 177 Entscheidungsgrenze (Teil 1)

Lecture 178 Entscheidungsgrenze (Teil 2)

Lecture 179 Entscheidungsgrenze (Teil 3)

Lecture 180 Entscheidungsgrenze (Aufgabe und Lösung)

Lecture 181 Bonus: Distanzmetriken

Lecture 182 Daten skalieren (StandardScaler)

Section 22: Klassifizierung: Entscheidungsbaum

Lecture 183 Hinleitung: Entscheidungsbaum, Gini

Lecture 184 Entscheidungsbaum (Teil 1)

Lecture 185 Entscheidungsbaum (Teil 2)

Lecture 186 Random Forest

Section 23: Modelle beurteilen: Overfitting und Underfitting

Lecture 187 Overfitting vs. Underfitting

Lecture 188 Overfitting vs. Underfitting (im Code)

Lecture 189 [Aufgabe, Lösung]: Overfitting vs. Underfitting

Section 24: Parameter tunen

Lecture 190 K-Fold Cross-Validation

Lecture 191 K-Fold Cross-Validation (im Code)

Lecture 192 GridSearchCV

Lecture 193 Train / Test / Validation

Lecture 194 Aufgabe und Lösung

Section 25: Support Vector Machine (SVM)

Lecture 195 Intuition: SVM

Lecture 196 Lineare SVM

Lecture 197 Der Poly-Kernel

Lecture 198 Der Poly-Kernel (im Code)

Lecture 199 Intuition: Der rbf-Kernel

Lecture 200 SVM mit rbf-Kernel

Lecture 201 SVM und GridSearchCV

Section 26: Projekt: Brustkrebs

Lecture 202 Einführung: Projekt Brustkrebs

Lecture 203 Lösung: Datenanalyse

Lecture 204 Logistische Regression

Lecture 205 Feature Selection für Logistische Regression

Lecture 206 KNN

Lecture 207 SVM

Lecture 208 Entscheidungsbaum

Lecture 209 Welches Modell nun?

Section 27: Klassifizierung: Naiver Bayes

Lecture 210 Einführung: Naiver Bayes

Lecture 211 Naiver Bayes (Wahrscheinlichkeiten)

Lecture 212 Naiver Bayes (Bedingte Wahrscheinlichkeiten)

Lecture 213 Naiver Bayes (Satz von Bayes)

Lecture 214 Naiver Bayes (Exkurs Normalverteilung)

Lecture 215 Naiver Bayes (Intuition, Teil 1)

Lecture 216 Naiver Bayes (Intuition, Teil 2)

Lecture 217 Naiver Bayes (in Python)

Section 28: Projekt: Naiver Bayes, Spam-Filter

Lecture 218 E-Mails einlesen

Lecture 219 CountVectorizer

Lecture 220 Von der Normalverteilung zur Binomialverteilung

Lecture 221 Naiver Bayes

Lecture 222 Die Limitierungen vom Naiven Bayes

Section 29: Neuronale Netze (ein einzelnes Neuron)

Lecture 223 Einführung: Neuronale Netze

Lecture 224 Wie lernt ein einzelnes Neuron

Lecture 225 Ein einzelnes Neuron

Lecture 226 Neuron trainieren (Teil 1)

Lecture 227 Neuron trainieren (Teil 2)

Lecture 228 Die Aktivierungsfunktion

Lecture 229 Die Aktivierungsfunktion (im Code)

Lecture 230 Warum CrossEntropyLoss?

Section 30: Neuronale Netze: Vom Neuron zum Netz

Lecture 231 Vom Neuron zum Netz (Backpropagation)

Lecture 232 Vom Neuron zum Netz

Lecture 233 Warum Aktivierungsfunktion?

Lecture 234 Die RELU-Aktivierungsfunktion

Lecture 235 RELU anwenden

Lecture 236 Die MNIST-Daten

Lecture 237 Neuronales Netz (MNIST)

Lecture 238 Mehrere Ausgänge (MNIST)

Lecture 239 Was ist Softmax?

Lecture 240 Softmax ins Netz einbauen

Lecture 241 Bonus: CategoricalCrossEntropy Loss

Section 31: Bilderkennung mit Neuronalen Netzen: Convolutional Neural Networks

Lecture 242 CNN Hinführung (Convolution-Filter)

Lecture 243 CNN bauen

Lecture 244 CNN: Training optimieren

Lecture 245 Mehrere CNN-Layer

Lecture 246 MaxPooling2D-Layer

Lecture 247 Modell auf eigene Daten anwenden

Section 32: Projekt: Fashion-MNIST

Lecture 248 [Aufgabe]: Fashion-MNIST Projekt

Lecture 249 [Lösung]: Fashion-MNIST-Projekt

Section 33: Neuronale Netze: Diverses (Bonus)

Lecture 250 [Bonus]: Overfitting vs. Underfitting

Lecture 251 [Bonus]: Model Checkpoint

Lecture 252 [Bonus]: Dropout anwenden

Section 34: Schluss

Lecture 253 Schlussworte

Für alle, die ohne Vorkenntnisse Python mit Ausrichtung auf Data Science und Machine Learning lernen möchten,Für alle, die schon Python-Erfahrung haben, aber Data Science, Machine Learning & Deep Learning lernen wollen,Für alle, die Python produktiv für Data Science einsetzen wollen – egal ob als Hobby oder professionell im Job

Course Information:

Udemy | Deutsch | 29h 41m | 26.18 GB
Created by: Jannis Seemann

You Can See More Courses in the Developer >> Greetings from CourseDown.com