Learning Pandas
Series und DataFrames, Merging, Joining und Concatenating, More Pandas, Data Management, Pandas for Time Series

Praxis: Series und DataFrames verstehen und anwenden, Series und DataFrames mit merge, join und concat kombinieren und verknüpfen, Analyse der Aktienrenditekorrelationen zwischen Apple, Microsoft und Exxon Mobil, Eine explorative Datenanalyse insolventer Banken, Netflix TV Shows und Filme: Eine Zeitreihenanalyse

Data Visualization und Storytelling                                      
Visualization mit Matplotlib, Matplotlib for Professionals, Visualization mit Pandas, Visualization mit Seaborn

Praxis: Datenanalysen mit Matplotlib visuell kommunizieren, Visualisierungen von DataFrame- und Series-Objekten, Seaborn als High-Level-Schnittstelle zum Zeichnen statistischer Diagramme/Grafiken

Supervised Learning mit Scikit-Learn                                              
Generalisation, Overfitting und Underfittin, k-Nearest Neighbours, Lineare Modelle, Decision Trees, Ensembles und Random Forests, Support Vector Machines (SVM), Neuronale Netze und Deep Learning

Praxis: Der Klassiker: Klassifizieren von Iris-Spezies, k-Nächste-Nachbarn und die Prognse von Diabeteserkrankungen, Ein Projekt zur linearen Regression: Eine E-Commerce Anwendung, Entscheidungsbäume für die Klassifikation: Ein Bankmarketing-Projekt, Ein Horce Race unter ML-Algorithmen zur Vorhersage von Flugticketpreisen, SVMs für die Vorhersage von Diabetes, Neuronale Netze und die Wahrscheinlichkeit, den Untergang der Titanic zu überleben

Dimensionsreduktion                                                                            
Preprocessing und Scaling, Principal Component Analysis, Bildanalyse mit Eigengesichtern 

Praxis: Feature-Scaling: Normalisieren versus Standardisieren, Der Einsatz der Dimensionsreduktion bei der Klassifikation handgeschriebener Zahlen, Ein Projekt zur Gesichtserkennung mit der PCA

Clusteranalyse                                                                                                         
k-Means-Clustering, weitere Clusteringalgorithmen (DBSCAN), Vergleichen und Auswerten von Clusteralgorithmen 

Praxis: Ein Projekt zum Einsatz der Clusteranalyse im Rahmen der Kundensegmentierung im Marketing, Kundensegmentierung: Ein Vergleich von k-Means und DBSCAN, Kundensegmentierung: Ein Projekt zur Cluster-Interpretation und Auswertung

Validierung                                                                                        
Kreuzvalidierung, Gittersuche, Gittersuche mit Kreuzvalidierung

Praxis: Validierung von Machine Learning Modellen, Datensplits in Trainings-, Validierungs-, und Testsets, GridSearch-Kreuzvalidierung zur Optimierung der Brustkrebsprognose

Evaluationsmetriken                                                                                     
Metriken zur binären Klassifikation, Weitere, spezielle Metriken, Pipelines zur Gittersuche

Praxis: AUC und ROC-Kurve zur Modellevaluierung am Beispiel der Klassifikation handgeschriebener Zahlen, Regressionsmetriken MSE, MAE, und R2, Pipelines und die Prognose von Immobilienpreisen

Data Repräsentation und Feature Engineering                                  
Kategorische Variablen, Transformationen und Interaktionen, Automatische Auswahl von Merkmalen, Berücksichtigen von Expertenwissen 

Praxis: Kodierungen und die Prognose von Immobilienpreisen, Feature Engineering für eine lineare Regression – am Beispiel des ‚Ames Housing‘ Datensatzes, Projekt zur Recursive Feature Elimination (RFE), Warum Domain Knowledge wichtig ist für den Erfolg eines Data Science Projekts

Natural Language Processing (NLP)                                                        
Verarbeiten von Textdaten, Anwendungsbeispiel: Filmbewertungen

Praxis: Einen Spamfilter bauen mit SpaCy, Projekt zur Modellierung von Themen und Clustering von Dokumenten

Capstone Projekt
Sie erarbeiten auf Basis des erworbenen Wissens ein eigenes Projekt und wenden die gelernten Techniken praktisch an.