Über diese Kurse
Die Kurse richten sich an Daten- und Business-Analyst*innen,
Wissenschaftler*innen und Forschungssoftware-Ingenieur*innen.
Über Python
Python ist keine speziell für numerisches und
wissenschaftliches Rechnen entwickelte Programmiersprache wie Julia oder R. Vielmehr ist
sie in den 1980er Jahren als Unterrichtssprache entstanden, die die Lücke
zwischen Shell und C überbrücken sollte.
Erst in den 2000er Jahren positionierte sich Python als Alternative zu MATLAB als matplotlib zur Datenvisualisierung, SciPy
zum wissenschaftlichen Rechnen, iPython als Shell und
NumPy für Arrays entstanden.
In den 2010er Jahren entwickelte sich Python mehr und mehr zu einer Alternative
für R:
»Ich hatte eine Reihe von Anforderungen, die von keinem der mir zur
Verfügung stehenden Tools gut erfüllt wurden:
- Datenstrukturen mit beschrifteten Achsen …
- Integrierte Zeitreihenfunktionalität …
- Arithmetische Operationen und Reduktionen …
- Flexible Behandlung von fehlenden Daten
- Zusammenführen und andere relationale Operationen …
Ich wollte in der Lage sein, all diese Dinge an einem Ort zu tun,
vorzugsweise in einer Sprache, die sich gut für die Entwicklung von
Allzwecksoftware eignet.«
– Wes McKinney, Autor von pandas, in Datenanalyse mit Python
Neben pandas für gelabelte Daten entstanden
scikit-learn für Maschinelles Lernen und Jupyter
Notebooks für eine interaktive, Web-basierte
Entwicklungsumgebung.
Python ist eine leicht zu erlernende Allzwecksprache, und das ist wohl ihre
größte Stärke für Data Science.
Voraussetzungen
Erste Erfahrungen mit Python sind hilfreich, aber nicht erforderlich. In unserem
Seminar Python für Data Science erhaltet ihr eine Einführung in die
allgemeinen Programmierkonzepte von Python wie Objektorientierung, dynamische
Typisierung, Variablen, Schleifen und Funktionen.
Stimmen zu unseren Kursen
„Der Trainer ist auf alle offene Fragen eingegangen und hat die Schulung
auf unseren Wissensstand perfekt angepasst!“
– Daniel Kissel, Hays AG
„Die Datenvisualisierungs-Schulung bei cusy hat mir geholfen, meine Data
Science-Grundlagen stark zu verbessern, was zu einem tieferen Verständnis der
Materie und zu reproduzierbaren und robusten Ergebnissen in der Zukunft
führen wird."
– Dennis K., Sachbearbeitung, öffentliche Verwaltung
„Durch den strukturierten Aufbau des Trainings, basierend auf online zur
Verfügung gestellter Dokumentation (PyViz-Tutorial & Jupyter Tutorial),
wurden nicht nur Aufgabenstellungen und deren Lösungen erklärt, sondern auch
eine Methode zur Wiederfindung der Dokumentation und Wiederverwendung im
eigenen Unternehmen gelehrt.“
– Johannes Zieher, Engineering Team Leader, Women’s Health Ultrasound
GE Healthcare
„Gutes Verständnis der Materie, gutes Gleichgewicht zwischen Vortrag und
praktischen Übungen. Auf Fragen wurde sehr gut eingegangen.“
– Willy Macke, Process Engineering IT, Bizlink Special Cables Germany GmbH
Python-Mentoring und 1:1 Coaching
Arbeitet in Einzelgesprächen direkt mit dem cusy-Python-Team zusammen und erwerbt
neue Fähigkeiten.
Wenn ihr zusätzliche Hilfe in eurem Python-Projekt benötigt, oder bei der
Fehlersuche in komplexen Zusammenhängen feststeckt, können wir helfen. Ob in
einer einzelnen Sitzung oder einer langfristigen Unterstützung, arbeitet mit uns
zusammen, um eure Probleme zu lösen und eure Ziele zu erreichen:
In unseren Einzelsitzungen überprüfen und verbessern wir mit euch zusammen
im Pair-Programming euren Code.
Beim Mentoring passen wir unseren Lehrplan an und stimmen die Sitzungen auf
eure individuellen Bedürfnisse ab, damit ihr eure Ziele so schnell wie möglich
erreicht.
Über Python hinaus können wir euch auch in JavaScript, HTML/CSS, Vue und Git
fachkundige Hilfe anbieten und euch in den Bereichen Webentwicklung,
Softwaredesign und -architektur sowie Automatisierung unterstützen.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:24
Python hat eine sehr große Verbreitung gefunden und einer der Gründe dürfte sein, dass sie auf vielen verschiedenen Plattformen läuft, von IoT-Geräten über die gängigen Betriebssysteme bis hin zu Supercomputern. Sie kann gut zur Entwicklung von Anwendungen (Apps) und Bibliotheken (Libs) verwendet werden. Dabei gibt es bereits unzählige Software-Bibliotheken, die euch die Arbeit erleichtern.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:24
Die Programmiersprache Python ist leicht zu erlernen und ermöglicht es, schnell Probleme zu lösen. Aber sie bietet auch fortgeschrittene Lösungen, die das Erstellen einer App oder einer Software-Bibliothek erheblich erleichtern können.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:24
Entwurfsmuster (engl. Design Patterns) sind bewährte Lösungsschablonen für wiederkehrende Probleme in der der Softwarearchitektur und -entwicklung. Dabei gibt es Python-spezifische Entwurfsmuster wie Global-Object-, Prebound-Method- und Sentinel-Object-Pattern. Diese Entwurfsmuster unterscheiden sich deutlich von den klassischen Entwurfsmustern. Schließlich werden euch die SOLID-Prinzipien weiterhelfen, eure Software auch zukünftig besser warten und erweitern zu können.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:25
Mit Python lassen sich nicht nur Python-Pakete und -Anwendungen testen sondern auch Web-Services, eingebettete Systeme und Hardware.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:25
Damit euer Software-Paket sinnvoll genutzt werden kann, sind Dokumentationen erforderlich, die Beschreiben, wie eure Software installiert, betrieben, genutzt und verbessert werden kann. Für umfangreiche Dokumentationen könnt ihr Sphinx verwenden, ein Dokumentationswerkzeug, das reStructuredText in HTML oder PDF, EPub und man pages umwandelt.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:25
Technisches Schreiben vermittelt komplexe Informationen klar und präzise an die jeweiligen User. Die meisten technischen Texte beruhen auf einer vereinfachten Grammatik, die durch eine leicht verständliche visuelle Kommunikation unterstützt wird.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:26
Jupyter Notebooks sind hervorragend für die explorative Datenanalyse geeignet. Sie sind daher zum De-facto-Standard für explorativen Datenanalyse und Rapid Prototyping geworden. Damit jedoch nicht genug: durch unzählige Erweiterungen wächst der Funktionsumfang noch weiter an und eröffnet weitere Nutzungsmöglichkeiten.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:26
NumPy ist die Abkürzung für Numerical Python. Viele Python-Pakete für wissenschaftliche Funktionen verwenden die Array-Objekte von NumPy als eine der Standardschnittstellen für den Datenaustausch.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:26
pandas ist eine Python-Bibliothek zur Datenanalyse, die in den letzten Jahren sehr populär geworden ist. Genauer ist pandas ein In-Memory-Analysewerkzeug, das SQL-ähnliche Konstrukte, sowie statistische und analytische Werkzeuge bietet. Es ersetzt zunehmend Excel und Power BI, verarbeitet CSV- und JSON-Dateien und bereitet Daten auf maschinelles Lernen vor.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:27
Wir werden auf entfernte Dateisysteme und Geodaten zugreifen, verschiedene Serialisierungsformate wie CSV und JSON lesen und Daten in passenden Datenbanken und -schnittstellen (API) bereitstellen.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:27
Es gibt viele verschiedene Python-Bibliotheken, die das Bereinigen und Validieren von Daten deutlich vereinfachen. An praktischen Beispielen werden wir diese Bibliotheken einsetzen, um Probleme in den Daten zu erkennen und zu bereinigen.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:27
Es gibt sehr viele Python-Bibliotheken zur Visualisierung von Daten, die unterschiedliche Schwerpunkte setzen. Dieser Kurs gibt euch einen Überblick über die verschiedenen Bibliotheken und zeigt anhand von praktischen Beispielen, wie ihr diese Bibliotheken nutzen könnt.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:28
Sowohl für die explorative wie auch für die erklärende Datenvisualisierung sind die grundlegenden Design-Prinzipien unabdingbar. Durch visuelle Hierarchien kann der Fokus auf bestimmte Aussagen gelenkt werden, sodass mit euren Daten ein stimmiges Story-Telling für eure Zielgruppe möglich wird.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:28
Dashboards stellen die wichtigsten Informationen dar, um ein oder mehrere Ziele zu erreichen. Sie konsolidieren und ordnen die Informationen so, dass sie auf einen Blick erfasst werden können. Dies können Zugriffszahlen, Antwortzeiten und Fehlermeldungen bei einer Web-Anwendung sein oder KPIs für ein Business-Dashboard.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:29
»Nicht reproduzierbare Einzelereignisse sind für die Wissenschaft ohne Bedeutung« schrieb Karl Popper 1935 in Logik der Forschung. Daran hat sich bis heute nichts geändert. Neu ist, dass die Forschungsdaten und Forschungssoftware hierfür sinnvoll verwaltet werden müssen. Hierzu dürft ihr euch nicht stillschweigend auf bestimmte Ressourcen und Entwicklungsumgebungen verlassen. Änderungen in euren Daten und eurer Software können nachvollzogen und die Zusammenarbeit im Team erleichtert werden.
—
erstellt von Veit Schiele
—
zuletzt geändert
22.11.2024 18:29
Der Python for Data-Science-Stack sollte laufend den aktuellen Bedingungen angepasst werden und von besseren Data-Science-Workflows profitieren. In diesem Workshop teilen wir die aktuellen Entwicklungen und unsere aktuellen Best Practices mit euch.