Toegepaste Data Science met Python - eLearning (Datawetenschap)

Leer de steeds populairder wordende programmeertaal voor ontwikkeling.

CURSUSOVERZICHT

Python is een algemene programmeertaal die steeds populairder wordt. Bedrijven over de hele wereld gebruiken Python om van gegevens te leren en een voorsprong op hun concurrenten te krijgen. In tegenstelling tot andere Python-cursussen richt dit programma zich specifiek op Python voor datawetenschap. U leert hoe u gegevens opslaat en bewerkt, en u maakt kennis met handige tools om uw eigen analyses te starten.

De cursus Python voor datawetenschap behandelt de basisconcepten van Python-programmeren en legt data-analyse, machine learning, datavisualisatie, webscraping en natuurlijke taalverwerking uit. Je krijgt een uitgebreid inzicht in de verschillende pakketten en bibliotheken die nodig zijn om aspecten van data-analyse uit te voeren.

Doel

Voor wie is deze opleiding bedoeld?

Deze opleiding is ideaal voor personen die geïnteresseerd zijn in een carrière in datawetenschap, machine learning of kunstmatige intelligentie en hun Python-programmeer- en data-analysevaardigheden willen verbeteren.

• Aspirant-data scientists
• Data-analisten
• Software-engineers of programmeurs
• Onderzoekers en academici
• Machine learning-enthousiastelingen
• Studenten en afgestudeerden

Vereiste

Deelnemers moeten in het bezit zijn van een bachelordiploma of een diploma middelbaar onderwijs. Daarnaast wordt nieuwsgierigheid naar data-analyse en een verlangen om de toepassingen van Python op het gebied van datawetenschap te verkennen sterk aangemoedigd. Het wordt ook aanbevolen om te beschikken over:

• Basiskennis van Python-programmeren: bekendheid met basisconcepten van Python-programmeren, zoals variabelen, loops, functies en control flow.
• Basiskennis van statistiek: een basiskennis van statistiek, waaronder concepten als gemiddelde, mediaan, standaardafwijking, waarschijnlijkheid en correlatie.
• Wiskunde: Basiskennis van wiskunde, met name op het gebied van algebra en lineaire algebra, is nuttig, vooral bij het werken met machine learning-algoritmen of -modellen.

Leerresultaten

DOELSTELLINGEN VAN DE CURSUS U leert:

Aan het einde van de cursus bent u in staat om:

• Een diepgaand inzicht te verwerven in de processen van datawetenschap, data-exploratie, datavisualisatie, hypotheseontwikkeling en -toetsing.
• De benodigde Python-omgeving en andere hulpmiddelen en bibliotheken te installeren.
• De basisconcepten van Python-programmeren begrijpen, zoals datatypes, taps, lijsten, dict, basisoperatoren en functies.
• Wiskundige berekeningen op hoog niveau uitvoeren met het NumPy-pakket en de uitgebreide bibliotheek met wiskundige functies
• Wetenschappelijke en technische berekeningen uitvoeren met het SciPy-pakket en de subpakketten, zoals Integrate, Optimize, Statistics, IO en Weave
• Gegevens analyseren en manipuleren met behulp van de gegevensstructuren en tools in het Pandas-pakket
• Verwerf expertise in machine learning met het Scikit-Learn-pakket
• Begrijp modellen voor begeleid en onbegeleid leren, zoals lineaire regressie, logistische regressie, clustering, dimensiereductie, K-NN en pipelining.
• Gebruik het Scikit-Learn-pakket voor natuurlijke taalverwerking
• Gebruik de matplotlib-bibliotheek in Python voor datavisualisatie
• Haal nuttige informatie uit websites door middel van webscraping met Python
• Integreer Python met Hadoop, Spark en MapReduce

Curriculum

Cursusinhoud

Inleiding tot datawetenschap

• Jupyter Notebook instellen
• Python-functies
• Python-typen en -reeksen
• Python-strings: diepgaande analyse
• Python-demo: csv-bestanden lezen en schrijven
• Datum en tijd in Python
• Objecten in Python Map
• Lambda en lijstbegrip
• Waarom Python voor data-analyse?
• Python-pakketten voor datawetenschap
• StatsModels-pakket
• Scipy-pakket

Basisprincipes van Python-programmeren

• Jupyter Notebook instellen
• Python-functies
• Python-typen en -reeksen
• Python-strings diepgaand
• Python-demo: csv-bestanden lezen en schrijven
• Datum en tijd in Python
• Objecten in Python Map
• Lambda en lijstbegrip
• Waarom Python voor data-analyse?
• Python-pakketten voor datawetenschap
• StatsModels-pakket
• Scipy-pakket

NumPy

• Basisprincipes van NumPy
• Arrayvormen en assen in NumPy: deel A
• NumPy-arrayvormen en assen: deel B
• Rekenkundige bewerkingen
• Voorwaardelijke logica
• Veelgebruikte wiskundige en statistische functies in Numpy
• Indexeren en segmenteren
• Bestandsverwerking

Lineaire algebra

• Inleiding tot lineaire algebra
• Scalaire grootheden en vectoren
• Inproduct van twee vectoren
• Lineaire onafhankelijkheid van vectoren
• Norm van een vector
• Matrixbewerkingen
• Rang van een matrix
• Bepaling van een matrix en identiteitsmatrix of operator
• Inverse van een matrix en eigenwaarden en eigenvectoren
• Calculus in lineaire algebra

Statistische basisbegrippen

• Het belang van statistiek voor datawetenschap
• Veelgebruikte statistische termen
• Soorten statistiek
• Gegevenscategorisatie en -typen
• Meetniveaus
• Maatstaven voor centrale tendens
• Maatstaven voor spreiding
• Willekeurige variabelen
• Verzamelingen
• Maatstaven voor vorm (scheefheid en kurtosis)
• Covariantie en correlatie

Kansverdeling

• Kans, het belang ervan en kansverdeling
• Kansverdeling: binomiale verdeling
• Kansverdeling: Poisson-verdeling
• Kansverdeling: normale verdeling
• Kansverdeling: Bernoulli-verdeling
• Kansdichtheidsfunctie en massafunctie
• Cumulatieve verdelingsfunctie
• Centrale limietstelling
• Schattingstheorie

Geavanceerde statistiek

• Verdeling
• Kurtosis Scheefheid en Student's T-verdeling
• Hypothesetests en mechanismen
• Resultaten van hypothesetests: type I- en type II-fouten
• Nulhypothese en alternatieve hypothese
• Betrouwbaarheidsintervallen
• Foutmarges
• Vergelijken en contrasteren T-test en Z-test
• Stelling van Bayes
• Chi-kwadraatverdeling
• Chi-kwadraattoets en goodness-of-fit
• Variantieanalyse of ANOVA
• ANOVA-terminologie
• Partitie van variantie met Python
• F-verdeling met Python
• F-toets

Pandas

• Pandas-reeksen
• Een reeks opvragen
• Pandas-dataframes
• Pandas-paneel
• Veelgebruikte functies in Pandas
• Pandas-functies Gegevensstatistische functie, Windows-functie
• Pandas-functie Data en Timedelta
• Categorische gegevens
• Werken met tekstgegevens
• Iteratie
• Sorteren
• Plotten met Pandas

Gegevensanalyse

• Gegevens begrijpen
• Soorten gegevens Gestructureerd Ongestructureerd Rommelig enz.
• Werken met gegevens De juiste tools kiezen, gegevens verzamelen, gegevens bewerken
• Gegevens importeren en exporteren in Python
• Reguliere expressies in Python
• Tekst bewerken met reguliere expressies
• Toegang tot databases in Python

Gegevens bewerken

• Pandorable of idiomatische Pandas-code
• Laden, indexeren en opnieuw indexeren
• Samenvoegen
• Geheugenoptimalisatie in Python
• Voorbewerking van gegevens: gegevens laden en null-waarden verwijderen
• Voorbewerking van gegevens: null-waarden invullen
• Gegevensbinning, opmaak en normalisatie
• Gegevensbinning, standaardisatie
• Gegevens beschrijven

Gegevensvisualisatie

• Principes van informatievisualisatie
• Gegevens visualiseren met draaitabellen
• Bibliotheken voor gegevensvisualisatie in Python Matplotlib
• Grafiektypen
• Bibliotheken voor gegevensvisualisatie in Python Seaborn, Ploty, Bokeh
• Matplotlib gebruiken om grafieken te plotten
• 3D-grafieken voor meerdere kolommen plotten met Matplotlib
• Matplotlib gebruiken met andere Python-pakketten
• Seaborn gebruiken om grafieken te plotten
• 3D-grafieken voor meerdere kolommen plotten met Seaborn
• Inleiding tot Plotly en Bokeh

Statistische basisbegrippen voor datawetenschap

• Inleiding tot statistiek
• De gegevens begrijpen
• Beschrijvende statistiek
• Gegevensvisualisatie
• Kans
• Kansverdelingen
• Steekproeven en steekproeftechnieken
• Inferentiële statistiek
• Toepassing van inferentiële statistiek
• Relatie tussen variabelen
• Toepassing van statistiek in het bedrijfsleven
• Begeleide oefeningen

Cursusproject

De cursus omvat ook praktijkgerichte projecten uit de industrie. Een succesvolle evaluatie van een van de volgende projecten maakt deel uit van de toelatingscriteria:

Project 1: Analyse van de detailhandelsverkopen voor strategische planning

Onderzoek de verkoopgegevens van een kledingwinkel om het management te helpen bij het opstellen van effectieve strategieën voor omzetgroei en bedrijfsuitbreiding.

Project 2: Evaluatie van de effectiviteit van marketingcampagnes

Voer verkennende data-analyse en hypothesetests uit om de belangrijkste factoren te identificeren die van invloed zijn op klantenwerving en het succes van campagnes.

Project 3: Visuele verkenning van vastgoedgegevens

Gebruik diverse visualisatietechnieken om een vastgoeddataset te analyseren en zinvolle inzichten te verkrijgen.

Project 4: Onderzoek naar huizenprijzen

Onderzoek gegevens over de huizenmarkt om trends in vastgoedprijzen te ontdekken, de factoren achter de prijsvorming te begrijpen en te beoordelen hoe verschillende kenmerken van woningen de waarde beïnvloeden.

Project 5: Analyse van klantgedragspatronen

Pas waarschijnlijkheidsverdelingen toe om klantgedrag te bestuderen en winkelprestaties te evalueren met behulp van een aangepaste dataset.

Belangrijkste kenmerken

WAT IS INBEGREPEN?

• Cursus en materiaal zijn in het Engels
• Beginners - gemiddeld niveau
• 1 jaar toegang tot het e-learningplatform voor zelfstudie, 24/7
• 6 uur aan videocontent
• 40 uur studietijd aanbevolen
• Virtuele labs, testsimulaties, eindprojecten
• Geen examen voor de cursus, maar studenten krijgen een certificaat van voltooiing van de opleiding.
• Bonus gratis cursus! Statistische basisbegrippen voor datawetenschap
• Bonus: 36 uur live online les!

Bonus: Naast deze praktische e-learningcursus bieden we u gratis toegang tot onze online klassikale sessies wanneer deze beschikbaar zijn (om de 2-3 maanden), als aanvulling op uw e-learning indien u dat wenst. U krijgt de kans om te communiceren met de trainer en andere deelnemers. Deze online klassikale sessies worden ook opgenomen, zodat u de opname 1 jaar kunt bewaren.