
Data Science mit Python
Python ist heute eine der beliebtesten Programmiersprachen, vor allem wenn es um Anwendungsbereiche wie Data Science und KI geht. Durch die klare Syntax und die eingängige Struktur können auch Programmierneulinge innerhalb kürzester Zeit erste Erfolge feiern. Mit dem richtigen Einstieg und ein wenig Übung eröffnet Python ungeahnte Möglichkeiten, um effizient Mehrwert aus Daten zu schaffen.
Die Möglichkeiten und Grenzen von Python im Kontext von Data-Science-Projekten lernt man am besten kennen, indem man einfache Aufgaben unter der Anleitung von Fachexperten praktisch umsetzt und die Erfahrungen ausgiebig diskutiert. Genau das steht bei diesem Kurs im Fokus.
Die Teilnehmer:innen lernen, wie sie grundlegende Konzepte und Mechanismen aus dem Bereich Data Science anwenden. Sie erhalten einen Überblick über relevante Werkzeuge und können einschätzen, welche Hilfsmittel sich für verschiedene Anwendungsfälle am besten eignen. Zudem machen sie sich mit gängigen Entwicklungsumgebungen für Python vertraut und lernen häufig verwendete Pakete in der Praxis kennen. Durch die Anwendung von Python in einfachen Beispielen gewinnen sie ein Verständnis für die Möglichkeiten der Sprache. Darüber hinaus erfahren sie, wie sie gezielt an benötigte Hilfestellungen gelangen, um eigene Projekte erfolgreich umzusetzen.
Dieser Kurs richtet sich an alle, die sich grundlegende Kenntnisse in Python aneignen und dessen Anwendung im Bereich Data Science praktisch erproben möchten.
Im Fokus des Kurses stehen:
- Grundlegende Konzepte und Mechanismen von Data Science
- Werkzeuge und Programmiersprachen für Data Science
- Entwicklungsumgebungen für Python und häufig genutzte Pakete
- Eigenständige Anwendung von Python in einfachen Beispielen
Bild: © stokkete/adobe.stock.com
Referent
-
Catherine LaflammeFraunhofer Austria, Innovationszentrum »Digitale Transformation der Industrie«
Catherine Laflamme ist promovierte Physikerin mit langjähriger Erfahrung in der Konzeption und Umsetzung von Data-Science-Projekten in unterschiedlichen Kontexten. Neben der Umsetzung von Projekten beschäftigt sie sich auch intensiv mit der Weiterentwicklung von Verfahren des maschinellen Lernens im Rahmen von Forschungsprojekten.