Data Science & Machine Learning | KnowledgeCity

Anmelden Demo anfordern

83 cursussen voor 'Data Science & Machine Learning'

Wir haben nichts gefunden, aber kommen Sie wieder! Jeden Monat gibt es neue Inhalte!

TensorFlow für Anfänger 1h 49m • 22 Lektionen • Anfänger In diesem Kurs über TensorFlow lernen Sie zunächst, wie maschinelles Lernen verwendet werden kann, um reale Probleme in verschiedenen Bereichen wie Finanzen und Biologie zu lösen. Sie werden Klassifizierungsmodelle, Pandas-Datenverarbeitung, Seaborn-Visualisierung sowie Modellevaluation und Leistungsmetriken kennenlernen.

TensorFlow für Anfänger: Was ist TensorFlow? 15m • 3 Lektionen • Anfänger TensorFlow ist eine beliebte Open-Source-Softwarebibliothek für Deep Learning und wird häufig in Anwendungen für maschinelles Lernen verwendet. In diesen Lektionen lernen Sie die gängigste Aufteilung zwischen Training und Validierung kennen und wie wichtig es ist, ein Gleichgewicht zwischen den beiden Sets zu halten. Sie werden auch eine der Vorverarbeitungstechniken entdecken, die TensorFlow für Bilder anbietet und die für die Verbesserung der Genauigkeit des Modells entscheidend ist.

TensorFlow Einsteiger: Deep Learning mit TensorFlow 20m • 3 Lektionen • Anfänger Deep Learning ist ein sich schnell entwickelnder Bereich, und ein grundlegendes Verständnis der verschiedenen Methoden und Techniken, die beim Deep Learning verwendet werden, kann für Fachleute in diesem Bereich sehr wertvoll sein. In diesen Lektionen lernen Sie die verschiedenen Deep-Learning-Methoden kennen, die in diesem Bereich verwendet werden, darunter Convolutional Neural Networks (CNNs) und Multilayer Perceptrons (MLPs).

TensorFlow für Anfänger: Neuronale Netze 19m • 3 Lektionen • Anfänger Neuronale Netze sind zu einem festen Bestandteil des maschinellen Lernens geworden und können in einer Vielzahl von Anwendungen eingesetzt werden, von der Bildverarbeitung bis zur Verarbeitung natürlicher Sprache. In diesen Lektionen werden Sie die grundlegenden Konzepte neuronaler Netze kennenlernen, einschließlich künstlicher neuronaler Netze (ANNs) und der Methode der kleinsten Quadrate.

TensorFlow-Einsteiger: Transfer-Lernen 20m • 4 Lektionen • Anfänger Transfer-Lernen ist eine leistungsstarke Technik des maschinellen Lernens, bei der vortrainierte Modelle verwendet werden, um die Leistung der eigenen Modelle zu verbessern. In diesen Lektionen lernen Sie die verschiedenen Vorteile des Transferlernens kennen und erfahren, wie Sie vorab trainierte Modelle verwenden können, um die Leistung Ihrer maschinellen Lernprojekte zu verbessern.

TensorFlow-Einsteiger: Zusatzprogramme für TensorFlow 13m • 3 Lektionen • Anfänger TensorFlow ist ein mächtiges Werkzeug für maschinelles Lernen, aber es gibt auch eine Reihe von Add-ons, die seine Fähigkeiten erweitern können. In diesen Lektionen werden Sie die verschiedenen verfügbaren Add-ons erforschen und erfahren, wie Sie diese effektiv in Ihren Machine-Learning-Projekten einsetzen können.

TensorFlow für Anfänger: Anwendungen aus der realen Welt 18m • 4 Lektionen • Anfänger In diesen Lektionen lernen Sie, wie Sie Techniken des maschinellen Lernens anwenden können, um komplexe reale Probleme in verschiedenen Bereichen wie Finanzen und Biologie zu lösen. Sie lernen Klassifizierungsmodelle kennen und erfahren, wie diese zur Lösung von Herausforderungen wie der Analyse der Belastung eines Staudamms eingesetzt werden können.

Modellierung von Klassifikationen 1h 56m • 32 Lektionen • Fortgeschrittene Anfänger

In diesem Kurs lernen Sie die Grundlagen der Klassifikationsmodellierung durch maschinelles Lernen kennen. Sie werden die typische Klassifizierungsmodell-Pipeline und die anwendbaren Probleme, auf die die Klassifizierung angewendet werden kann, untersuchen. Außerdem lernen Sie, wie Sie die für die Erstellung eines brauchbaren Klassifikationsmodells erforderlichen Daten sammeln, vorverarbeiten und analysieren.

Maschinelles Lernen und Klassifizierung 26m • 6 Lektionen • Fortgeschrittene Anfänger Diese Lektionen führen in die Klassifizierungsmodellierung und ihren Problembereich innerhalb des überwachten maschinellen Lernens ein. Sie lernen den Unterschied zwischen Klassifizierung und Vorhersage kennen und erfahren, wie sich die Klassifizierungsmodellierung in den größeren Bereich des maschinellen Lernens einfügt. Sie werden lernen, wie Sie Klassifizierungsprobleme angehen können, und Sie werden in die typische Klassifizierungsmodell-Pipeline eingeführt.

Klassifikationsprobleme 27m • 6 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen wird der typische Modellbildungsprozess in Bezug auf die Klassifikationsmodell-Pipeline erläutert. Außerdem erhalten Sie eine Einführung in binäre und mehrklassige Klassifizierungsprobleme sowie in die Möglichkeiten, diese am besten zu nutzen. Sie lernen, wie Sie mit Hilfe von Feature Engineering die besten Dateneingaben für Ihre Klassifizierungsmodelle herausfinden.

Klassifizierungsalgorithmen/Modelle 34m • 8 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie die gebräuchlichsten Klassifizierungsalgorithmen kennen und erfahren, für welche Probleme sie typischerweise eingesetzt werden. Es werden verschiedene Modellierungsarten behandelt, darunter: Regression, Naive Bayes, Support Vector Machines, Entscheidungsbäume, Random-Forest-Modelle, k-Nearest-Neighbor Algorithmus und Mehrklassenmodelle.

Herausforderungen 16m • 6 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie, wie Sie das richtige Modell auswählen, indem Sie die Kompromisse zwischen den Modellen berücksichtigen. Sie werden auch lernen, wie man mit den üblichen Herausforderungen bei Klassifizierungsmodellen umgeht, einschließlich Verzerrungen, Fairness und Problemen bei der Datenerfassung.

Anwendungen 10m • 4 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie die verschiedenen Anwendungen der Klassifikationsmodellierung in realen Szenarien kennen. Sie erfahren, wie Klassifizierungsmodelle und künstliche Intelligenz in der medizinischen Bildgebung, Diagnose und Prävention eingesetzt werden und wie Forscher hoffen, die Gesundheitsversorgung weltweit zu verbessern.

Maschinelles Lernen 55m • 20 Lektionen • Anfänger In diesem Kurs lernen Sie die Grundlagen des maschinellen Lernens kennen. Sie erhalten eine Einführung in das maschinelle Lernen und einige der damit verbundenen Konzepte und Themen. Sie werden die verschiedenen Arten und Kategorien des maschinellen Lernens verstehen. Dieser Kurs behandelt auch die Implementierung von Machine-Learning-Modellen in Python unter Verwendung des scikit-learn-Pakets.

Einführung in das maschinelle Lernen 13m • 6 Lektionen • Anfänger In diesem Kapitel werden das maschinelle Lernen und seine beiden Hauptkategorien, überwachtes und unüberwachtes Lernen, vorgestellt. Sie erfahren, was sie sind und wie sie verwendet werden. Sie werden auch erfahren, wie maschinelles Lernen mit künstlicher Intelligenz zusammenhängt. Die Bedeutung von Daten wird in diesem Kapitel diskutiert und erklärt. In diesem Kapitel wird auch der Unterschied zwischen Klassifizierung und Regression beim maschinellen Lernen erklärt.

Unüberwachte Methoden des maschinellen Lernens 14m • 3 Lektionen • Anfänger In diesem Kapitel werden Konzepte und Techniken des unüberwachten maschinellen Lernens vorgestellt. Es behandelt Gaußsche Mischmodelle. Außerdem werden verschiedene Arten des Clustering behandelt. In diesem Kapitel wird auch das Konzept des mannigfaltigen Lernens und der Unterschied zwischen verschiedenen Typen vorgestellt.

Methoden des überwachten maschinellen Lernens 15m • 4 Lektionen • Anfänger In diesem Kapitel lernen Sie die Konzepte und Techniken des überwachten Lernens kennen. Es wird die lineare und logistische Regression behandelt. Sie lernen Support-Vektor-Maschinen und deren Einsatzmöglichkeiten kennen. In diesem Kapitel werden auch Entscheidungsbäume, Zufallswälder und Ensemble-Lernen behandelt, und es wird erklärt, wie sie alle miteinander zusammenhängen. Auch neuronale Netze werden in diesem Kapitel behandelt.

Herausforderungen und Anwendungen des maschinellen Lernens 10m • 5 Lektionen • Anfänger Dieses Kapitel befasst sich mit den Herausforderungen und Anwendungen im Bereich des maschinellen Lernens. Es wird die Modellauswahl für maschinelles Lernen sowie ethische und andere wichtige Überlegungen behandeln. Spezifische Herausforderungen im Bereich des maschinellen Lernens - sowie einige der beliebtesten Anwendungen - werden ebenfalls behandelt.

KI-Ethik und Rechenschaftspflicht 2h 31m • 54 Lektionen • Fortgeschrittene Anfänger Dieser Kurs über KI-Ethik und Rechenschaftspflicht gibt einen gründlichen Überblick über ethische Überlegungen und Grundsätze im Zusammenhang mit der Rechenschaftspflicht in KI-Systemen. Sie lernen Prinzipien kennen, die nur für KI-Systeme gelten, wie z. B. die Erklärbarkeit, sowie allgemeinere Prinzipien, wie z. B. das Prinzip des gleichberechtigten Zugangs zu Technologien, Dienstleistungen und Möglichkeiten.

KI-Ethik und Rechenschaftspflicht: Moderne Entwicklung künstlicher Intelligenz 24m • 7 Lektionen • Fortgeschrittene Anfänger Diese Lektionen über die Entwicklung moderner künstlicher Intelligenz befassen sich mit der Geschichte und dem Hintergrund der künstlichen Intelligenz sowie mit den grundlegenden Aspekten und Konzepten der künstlichen Intelligenz, einschließlich der Frage, wie KI als Entscheidungssystem funktioniert.

KI-Ethik und Rechenschaftspflicht: Einzigartige Herausforderungen von KI und maschinellem Lernen 16m • 5 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen über KI und die einzigartigen Herausforderungen des maschinellen Lernens lernen Sie die verschiedenen Arten des maschinellen Lernens kennen, darunter das überwachte Lernen, bei dem markierte Daten zur Erstellung von Vorhersagen verwendet werden, das unüberwachte Lernen, eine Reihe von Techniken zum Verständnis der Datenstruktur ohne Ergebnisvariable, und das verstärkende Lernen, eine der ältesten Arten des maschinellen Lernens, die eine zielorientierte Lernmethode verwendet.

AI Ethics and Accountability: Introduction to Ethical Artificial Intelligence 21m • 7 Lektionen • Fortgeschrittene Anfänger In these lessons, you’ll learn about the governance landscape around AI. You will learn about AI alignment with human values and external impacts that are indirectly related to the creation and deployment of any AI system, such as environmental impacts. You will also learn about AI systems that do deliberate harm and dark patterns, deceptive design patterns that are used to influence individuals to perform an action that may not be in their best interest.

KI-Ethik und Rechenschaftspflicht: Rechenschaftspflicht in der KI 8m • 4 Lektionen • Fortgeschrittene Anfänger Rechenschaftspflicht ist ein wichtiger Bestandteil der KI-Ethik und in allen Phasen des Lebenszyklus eines KI-Systems von Bedeutung, einschließlich während der Entwicklung, nach der Einführung und wenn ein Schaden durch das System entsteht.

KI-Ethik und Rechenschaftspflicht: Privatsphäre, Sicherheit und Schutz in der künstlichen Intelligenz 13m • 6 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen über Datenschutz, Sicherheit und Gefahrenabwehr bei künstlicher Intelligenz werden die Allgemeine Datenschutzverordnung, die Einwilligung, die Datenübertragbarkeit, die Möglichkeit, die Verarbeitung einzuschränken, das Recht auf Berichtigung und das Recht auf Löschung behandelt.

KI-Ethik und Rechenschaftspflicht: Transparenz und Erklärbarkeit in der Künstlichen Intelligenz 14m • 5 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen über Transparenz und Erklärbarkeit in der Künstlichen Intelligenz lernen Sie etwas über Erklärbarkeit und Interpretierbarkeit und deren Überschneidung mit den Konzepten der Black Box und Glass Box AI. Sie befassen sich mit den Vor- und Nachteilen von Open-Source-Software bei der Entwicklung eines KI-Systems.

KI-Ethik und Rechenschaftspflicht: Voreingenommenheit, Inklusivität und Fairness in der künstlichen Intelligenz 8m • 4 Lektionen • Fortgeschrittene Anfänger Diese Lektionen über Voreingenommenheit, Inklusivität und Fairness in der künstlichen Intelligenz werden untersuchen, warum Voreingenommenheit eines der meistdiskutierten Konzepte im Bereich der KI-Ethik ist und warum die Vermeidung von Voreingenommenheit Teil der Steuerung jedes KI-Systems sein sollte. Außerdem werden in diesen Lektionen die Konzepte der Fairness, der Repräsentativität und des Prinzips der inklusiven Wirkung behandelt.

KI-Ethik und Rechenschaftspflicht: Berufliche Verantwortung und menschliche Kontrolle der KI-Technologie 8m • 5 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen über professionelle Verantwortung und menschliche Kontrolle von KI lernen Sie das allgemeine Prinzip der menschlichen Kontrolle von Technologie kennen und erfahren, wie es sich mit der Entwicklung von KI-Systemen überschneidet.

AI Ethics and Accountability: Artificial Intelligence and Sociotechnical Systems 17m • 6 Lektionen • Fortgeschrittene Anfänger In these lessons on AI and Sociotechnical System Impact on Society and Human Values, you’ll learn how human rights may be impacted by AI and understand the intersection of civil rights and civil liberties with AI. You’ll learn about the principle of equal access to technology, services, and opportunities and how this broad principle will change as AI develops further.

KI-Ethik und Rechenschaftspflicht: Kritische Vorfälle im Bereich der künstlichen Intelligenz 14m • 3 Lektionen • Fortgeschrittene Anfänger Diese Lektionen über kritische Vorfälle im Bereich der künstlichen Intelligenz befassen sich mit bedeutenden KI-Vorfällen anhand einer Reihe von Beispielen aus der realen Welt, bei denen es zu negativen Ergebnissen in der KI kam, wie sie gelöst wurden und wie sie hätten verhindert werden können. Insbesondere werden Sie Fallstudien durcharbeiten, die sich auf Fragen der Identität und Diskriminierung, beleidigende Inhalte und rechtliche Auswirkungen konzentrieren.

Neuronale Netze 1h 25m • 24 Lektionen • Anfänger In diesem Kurs lernen Sie die Grundlagen der neuronalen Netze kennen. Sie erhalten eine Einführung in neuronale Netze und eng verwandte Konzepte und Themen. Sie werden in der Lage sein, die verschiedenen Designaspekte von neuronalen Netzen zu verstehen und zu verstehen, wie man eine Auswahl für sie trifft. Der Kurs behandelt auch die Implementierung neuronaler Netze, insbesondere in Python.

Einführung in neuronale Netze 17m • 5 Lektionen • Anfänger In diesem Kapitel werden neuronale Netze vorgestellt. Sie erfahren, was sie sind und wie sie verwendet werden. Sie lernen auch die grundlegendste Art von neuronalen Netzwerken kennen. Inputs und Outputs werden in diesem Kapitel besprochen und erklärt. In diesem Kapitel wird auch der Unterschied zwischen Klassifikation und Regression für neuronale Netze erläutert.

Entwurf neuronaler Netze 29m • 7 Lektionen • Anfänger In diesem Kapitel werden Konzepte für den Entwurf neuronaler Netze vorgestellt. Es wird die Bedeutung von Daten sowohl für die Leistung als auch für die Auswahl von neuronalen Netzen behandelt. Es wird auch erläutert, was Aktivierungsfunktionen, Verlustfunktionen und Optimierer sind und wie man sie auswählt. In diesem Kapitel werden Sie auch mit dem Training, dem Testen und der Validierung von neuronalen Netzen vertraut gemacht.

Implementierung neuronaler Netze 28m • 6 Lektionen • Anfänger In diesem Kapitel lernen Sie die Implementierung neuronaler Netze kennen. Es werden verschiedene Sprachen besprochen, die für die Implementierung neuronaler Netze verwendet werden können. Sie werden erfahren, warum Python als Programmiersprache für die Implementierung neuronaler Netze empfohlen wird. Dieses Kapitel behandelt auch verschiedene Frameworks für die Implementierung neuronaler Netze in Python.

Praktische Anwendungen für neuronale Netze 7m • 4 Lektionen • Anfänger Dieses Kapitel befasst sich mit den praktischen Einsatzmöglichkeiten und Anwendungen neuronaler Netze. Es wird behandelt, wie neuronale Netze für Cybersicherheit, Automatisierung, Erkennung von Anomalien und prädiktive Systeme eingesetzt werden können.

Clustering im maschinellen Lernen 2h 38m • 37 Lektionen • Fortgeschrittene Anfänger

In diesem Kurs lernen Sie die Grundlagen einer Vielzahl von Bereichen des maschinellen Lernens kennen, darunter Clustering, Anomalieerkennung und Assoziationsmodellierung. Sie lernen die gängigste Methode des Clustering, k-Means-Algorithmus. Sie kennen und erfahren, wie sie auf Umfragedaten angewendet werden kann, um eine robuste Kundensegmentierung zu erstellen, einschließlich der Erstellung von Personas und eines Typisierungstools.

Analyse von Datenclustern 36m • 7 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen wird das Clustering und sein Problembereich innerhalb des unüberwachten maschinellen Lernens vorgestellt. Sie lernen die Kombinationen von Clustering mit anderen Modellierungsschritten wie Dimensionsreduktion, Feature Engineering und Vorhersage kennen. Sie werden auch lernen, wie man Clustering von einem geschäftlichen Standpunkt aus betrachtet und für welche Arten von Problemen es nützlich ist.

K-means-Clustering 52m • 8 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen wird die gängigste Form des Clustering, k-means, vorgestellt und ein detaillierter Anwendungsfall einer Kundensegmentierung durchgespielt. Sie lernen, wie man Eingabevariablen auswählt, die Anzahl der Cluster bestimmt und die Zentroide interpretiert. Sie lernen, wie Sie die Qualität eines Clusteranalysemodells bewerten und wie Sie die mit dem Clustering verbundenen rechnerischen Herausforderungen bewältigen können.

Clustering-Algorithmen 24m • 6 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie die gebräuchlichsten Clustering-Algorithmen kennen und erfahren, für welche Probleme sie typischerweise eingesetzt werden. Wir werden ihre relativen Stärken und Schwächen und die Kompromisse zwischen ihnen behandeln und bewerten.

Assoziationsregeln 16m • 4 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie Assoziationsregeln kennen und erfahren, wie sie auf Einzelhandelsgeschäfte, E-Commerce-Websites und Medienplattformen angewendet werden können. Im Gegenzug werden wir die drei wichtigsten Messgrößen - Support, Confidence und Lift - erforschen und lernen, wie man sie interpretiert.

Anomalien 16m • 5 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie verschiedene Methoden der Anomalieerkennung und ihre praktischen Anwendungen kennen. Sie werden lernen, wie verschiedene Arten des maschinellen Lernens bei der Erkennung von Anomalien eingesetzt werden können und welche spezifischen Clustering-Methoden für die Erkennung von Anomalien geeignet sind. Im Gegenzug werden wir Isolation Forests erforschen und wie sie in der realen Anwendung der Betrugserkennung eingesetzt werden können.

Verwendung/Anwendungen 10m • 5 Lektionen • Fortgeschrittene Anfänger Diese Lektionen führen Sie durch verschiedene Anwendungsfälle und reale Anwendungen der im Kurs behandelten Methoden. Die Anwendungsfälle decken verschiedene Szenarien ab, darunter Medizin, Einzelhandel und Marketing.

Python für Anfänger in der Datenwissenschaft 3h 2m • 24 Lektionen • Anfänger In diesem Kurs „Python für Data Science“ lernen Sie die Grundlagen von Python und die grundlegenden Programmierfähigkeiten kennen, die für die Nutzung von Python für Data Science erforderlich sind. Diese grundlegenden Fähigkeiten ermöglichen es Ihnen, mit Datensätzen beliebiger Größe zu arbeiten. Sie werden im Handumdrehen Code schreiben und die vielen Funktionen und Tools nutzen, die mit der Python-Installation einhergehen.

Python für Datenwissenschaft: Einführung in die Datenwissenschaft 31m • 5 Lektionen • Anfänger In diesem Kurs zur Einführung in die Datenwissenschaft lernen Sie die Geschichte von Python kennen und erfahren, warum es sich hervorragend für die Datenwissenschaft eignet. Sie werden auch verschiedene Tools zum Schreiben von Python-Code herunterladen und installieren, wie IDLE, PyCharm, Anaconda und Jupyter Notebook.

Python für Datenwissenschaft: Python-Grundlagen für die Datenwissenschaft 53m • 6 Lektionen • Anfänger In diesem Kurs zu den Python-Grundlagen für Data Science lernen Sie etwas über Variablen und Konstanten, Datentypen, String-Methoden, Operatoren, Bedingungen und Schleifen. Sie lernen, wie Sie die verschiedenen Operatoren erkennen und wie Sie Schleifen und if-Anweisungen schreiben können. Dieser Kurs vermittelt Ihnen die Grundlagen, die Sie benötigen, um mit dem Erlernen der wichtigsten Programmierkonzepte in Python zu beginnen.

Python für Datenwissenschaft: Python Datenstrukturen und Datenwissenschaft 46m • 5 Lektionen • Anfänger In diesem Kurs über Datenstrukturen und Datenwissenschaft in Python lernen Sie komplexe Datentypen kennen, wie die verschiedenen Sammlungen. Sie werden auch lernen, wie Sie Ihren Code in Funktionen organisieren können.

Python für Datenwissenschaft: Python zum Abrufen und Speichern von Daten verwenden 48m • 6 Lektionen • Anfänger In diesem Kurs über die Verwendung von Python zum Abrufen und Speichern von Daten werden Sie lernen, wie man mit Daten arbeitet. Python verfügt über mehrere eingebauten Funktionen sowie über externe Bibliotheken, die wir importieren können, um effektiv und effizient mit Daten zu arbeiten. In diesem Kurs werden einige dieser Funktionen und Bibliotheken behandelt, darunter Requests, Math, NumPy und Pandas, sowie die Arbeit mit Dateien in Python.

Python für die Datenvisualisierung 1h 33m • 20 Lektionen • Fortgeschrittene Anfänger Der Kurs konzentriert sich auf die Verwendung der Python-Bibliothek Matplotlib zur Visualisierung von Daten. Die Python-Codierung erfolgt mit Hilfe von Python-Notizbüchern (.ipynb-Dateien) im JupyterLab-Tool, in denen Sie lernen, wie Sie mit Matplotlib Liniendiagramme, Histogramme, Heatmaps und Box-Plots zeichnen können. Wir zeigen Ihnen, wie Sie mit der HVPlot-Bibliothek interaktive Widgets zu Plots hinzufügen können, um tiefere Einblicke in die zu visualisierenden Daten zu erhalten.

Python: Überblick über die Datenvisualisierung und die Bibliothek der Wahl 15m • 3 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie, wie Sie Punkte mit Hilfe von X- und Y-Koordinaten einzeichnen. Anschließend zeichnen Sie eine Linie zwischen den Punkten. Sie werden auch lernen, wie man mehrere Linien auf demselben Diagramm zeichnet. Die Liniendiagramme können durch Hinzufügen von Stilen verbessert werden. Bei diesen Liniendiagrammen lernen Sie, wie Sie einen Diagrammtitel, Beschriftungen für die x- und y-Achse und Beschriftungen für jede Diagrammlinie hinzufügen können.

Python: Die Verteilung von Daten mit Histogrammen ermitteln 20m • 3 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen werden Sie die Numpy-Bibliothek verwenden, um eine zufällige Normalverteilung zu erzeugen und mit einem Histogramm zu visualisieren. Wir gehen auf die Angabe des Mittelwerts, der Standardabweichung und der Anzahl der Zufallswerte ein, um eindeutige Daten für die Unterscheidung zwischen Diagrammen zu erzeugen.

Python: Visualisierung von Daten mit Liniendiagrammen 12m • 3 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen werden Sie lernen, Daten mit Liniendiagrammen zu visualisieren. Wir zeigen Ihnen, wie Sie eine einzelne Diagrammlinie mit Beschriftungen und Rastern erstellen und wie Sie Unterdiagramme für Liniendiagramme anordnen können. Sie beginnen mit der Erstellung eines einfachen Liniendiagramms und lernen dann, wie Sie Liniendiagramme mit Überschriften, Beschriftungen für die x- und y-Achse und Rastern erstellen.

Python: Interaktive Daten mit Diagrammen erstellen 14m • 3 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie, wie Sie mit HVPlot interaktive Plots erstellen. Die Python-Bibliothek HVPlot ist eine High-Level-Plotting-API, die auf HoloViews aufbaut und eine allgemeine und konsistente API für das Plotten von Daten bietet. Wir zeigen Ihnen, wie Sie HVPlot verwenden und wie die verschiedenen Widgets der Symbolleiste funktionieren, mit Funktionen wie Schwenken, Zurücksetzen, Box-Zoom, Rad-Zoom, Speichern und Schweben.

Python: Erstellen von Heatmaps für die Datenvisualisierung 12m • 3 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen werden Sie lernen, wie man zweidimensionale Heatmaps erstellt. Zunächst werden Sie Heatmaps mit der Python Matplotlib Bibliothek Pyplot Unterbibliothek erstellen. Wir werden Heatmap-Daten simulieren, die mit der Numpy-Zufallsfunktion für ein zweidimensionales Array von Werten erzeugt werden.

Python: Zeitliche Visualisierung nutzen 17m • 3 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen werden Sie Pandas verwenden, um Zeitreihendaten aus einer Excel-Datei zu lesen. Zeitliche Daten oder Zeitreihen können als Verfolgung der Leistung im Laufe der Zeit oder als Betrachtung von Daten auf einer Zeitachse betrachtet werden. Wir zeigen Ihnen, wie Sie mehrere Zeitreihen in einem Diagramm darstellen und aus den Diagrammen Rückschlüsse auf die Daten ziehen können.

Tableau für fortgeschrittene Anfänger 3h 15m • 31 Lektionen • Fortgeschrittene Anfänger In diesem Kurs von Anna Foard lernen Sie, wie Sie in Tableau fortgeschrittene Berechnungen, Parameter und erweiterte Diagramme erstellen. In diesem Kurs können Sie die Best Practices für Dashboards identifizieren und analysieren, und Sie lernen, wie Sie Sets erstellen können. Am Ende dieses Kurses können Sie Logik-, Datums- und Verhältnisberechnungen mit Tableau erstellen.

Tableau für Fortgeschrittene 3h 9m • 32 Lektionen • Fortgeschrittene

In diesem Fortgeschrittenenkurs konzentriert sich Anna Foard auf Diagramme und fortgeschrittene Datenberechnungen. Dieser Kurs wurde erstellt, um dem Benutzer ein angemessenes Verständnis von Tableau zu vermitteln. Benutzer müssen die Konzepte zum Schreiben von Berechnungen verstehen, z.

Datenvisualisierung 2h 13m • 26 Lektionen • Fortgeschrittene Anfänger

Der effektive Einsatz von Visualisierungstechniken erfordert eine Kombination von Fähigkeiten, einschließlich der Kenntnis einer Programmierplattform wie Python Version 3.x, ein solides Hintergrundwissen über das Hoch- und Herunterladen von Daten und das Parsen von Daten in Datenstrukturen, die Verwendung von Dateien wie CSV und JPEG und die Kenntnis einer Reihe von Bibliotheken für Python.

Definieren der Datenvisualisierung 22m • 3 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen stellen wir unsere virtuelle Umgebung, Python 3.x, unseren ersten Plot, unseren ersten 2D-Plot vor und erkunden die Jupyter-Notebook-Plattform. Wir stellen auch unsere Formel für die Datenvisualisierung vor, die das Sammeln, Organisieren und anschließende Plotten der Ergebnisse umfasst. Sie werden lernen, wie Sie Linien, Muster, Farben, Anmerkungen und Transparenz steuern können.

Datenvisualisierung und Datenwissenschaft 15m • 3 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen erkunden wir die Arbeit mit mehreren Variablen, mehreren Diagrammen, Unterdiagrammen und die Interpretation von Daten. Wir beginnen mit der Untersuchung mehrerer Variablen in einem einfachen Diagramm, z. B. einem XY-Diagramm. Sie erfahren, warum ein XY-Diagramm eine große Anzahl von Werten für Y, aber nur einen für X haben kann. Wir stellen auch Numpy vor, ein weiteres primäres Werkzeug zur Datenvisualisierung.

Datenvisualisierung und -plotting 15m • 3 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen beginnen wir mit einem tiefen Eintauchen in Layout und Abstände und erkunden verschiedene Möglichkeiten, eine Figur mit der Achse zu entwickeln und darzustellen. Dann beginnen Sie mit der Erkundung von Pandas, einem der wichtigsten Visualisierungstools. Sie werden entdecken, wie Pandas und die Pandas-Bibliothek universelle Lösungen für die Visualisierung bieten und in einigen Fällen die einzige Bibliothek ist, die Sie benötigen.

Datenvisualisierung und Kartierung 17m • 3 Lektionen • Fortgeschrittene Anfänger Bei den meisten Datenvisualisierungsprojekten müssen Sie in der Regel einige der benötigten Daten beschaffen oder anderweitig erstellen. In diesen Lektionen konzentrieren wir uns auf zwei der gebräuchlichsten automatisierten Techniken zur Datenbeschaffung und betonen, dass Sie die benötigten Daten immer eingeben können. Sie werden lernen, dass eine Website nur aus HTML besteht, mit vielen Tags, die zur Identifizierung und Erfassung von Daten verwendet werden können.

Datenvisualisierung und Ausdruck/Erzählung 19m • 3 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen werden wir uns auf die Beziehung zwischen Diagrammen und den zugrundeliegenden Datensätzen konzentrieren, die für ihre Erstellung verwendet werden. Nicht alle Daten sind gleich, und einige Diagramme eignen sich in bestimmten Situationen besser als andere. Wir werden verschiedene Datensätze untersuchen, die sich für Histogramme, Streudiagramme und Heatmaps eignen. Für Histogramme verwenden wir Datensätze, die als Verteilung angesehen werden können - wie z. B.

Datenvisualisierung und Entscheidungsfindung 17m • 3 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie, eine geschäftliche Herausforderung mit Python zu modellieren. Wir beginnen mit der Anwendung der Grundregeln des Unternehmens auf Python-Listen und andere Variablen, die wir programmatisch in unseren Entwurf einbeziehen und dann als Geschäftsregeln verwenden können. In unserem Beispiel kann ein Fertigungsunternehmen eine Reihe von verschiedenen Produkten auf einer Reihe von Maschinen herstellen. Jede Maschine hat eine Reihe von Attributen, wie z. B.

Datenvisualisierung und Technologie 12m • 3 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen beginnen wir mit einer kurzen Erkundung der Konvertierung eines Bildes in ein base64-Format, damit wir die Daten programmatisch bearbeiten können. Sie werden zum Beispiel sehen, wie ein Thumbnail hergestellt werden kann, indem man ein ursprüngliches, dichtes Bild nimmt, das wir programmatisch durchgehen können, um ein kleineres, weniger dichtes Thumbnail-Bild zu erzeugen.

Datenvisualisierung Verwendungen 10m • 3 Lektionen • Fortgeschrittene Anfänger Datenvisualisierung ist das Ergebnis unserer Fähigkeit, Daten zu sammeln, zu organisieren und darzustellen, und kann eher einer Kunstform als einer Programmierdisziplin ähneln. Der erfolgreiche DV-Ingenieur kann Daten aus allen Quellen sammeln, sie organisieren und in kurzer Zeit darstellen. In diesen Lektionen werden Sie alle drei Komponenten des Ansatzes "Sammeln, Organisieren und Darstellen" anwenden, um Ausreißer und Trends in Daten zu erkennen.

Wesentliche GIS-Arbeitsabläufe 1h 49m • 24 Lektionen • Anfänger In diesem Kurs Essential GIS Workflows Beginner lernen Sie die Grundlagen von Geographischen Informationssystemen, auch bekannt als GIS. Wir erklären die Hauptkomponenten eines GIS, erforschen räumliche Beziehungen und besprechen, wie man Daten visualisiert. Wir werden auch die Arbeit mit 3D-Karten und das Drucken und Präsentieren Ihres Projekts behandeln.

Wesentliche GIS-Arbeitsabläufe: GIS verstehen 21m • 6 Lektionen • Anfänger In diesem Kurs über grundlegende GIS-Workflows: Komponenten eines GIS werden Sie die Hauptkomponenten eines GIS kennenlernen. Wir werden alle Hardware, Software, Menschen, Daten und Methoden untersuchen, die an der Nutzung eines GIS beteiligt sind. Wir werden auch Koordinatensysteme und die Navigation auf Karten innerhalb eines GIS behandeln. Am Ende dieses Kurses werden Sie ein umfassendes Verständnis für die verschiedenen Komponenten haben, die ein funktionierendes GIS ermöglichen.

Wesentliche GIS-Arbeitsabläufe: Erforschung raumbezogener Zusammenhänge 26m • 4 Lektionen • Anfänger In diesem Kurs über grundlegende GIS-Workflows: „Exploring Geospatial Relationships“ werden die Werkzeuge zur Abfrage von Geodaten mit Hilfe von räumlichen Beziehungen und Datenbankabfragen erläutert und demonstriert. Methoden zur Analyse von Geodaten werden anhand von Werkzeugen und Abfragen für die räumliche Analyse von zwei Datensätzen erforscht.

Wesentliche GIS-Arbeitsabläufe: Arbeiten mit und Visualisieren von GIS-Daten 33m • 5 Lektionen • Anfänger In diesem Kurs über grundlegende GIS-Workflows: Arbeiten mit und Visualisieren von GIS-Daten lernen Sie, wie Sie mit GIS-Daten arbeiten und wie Sie GIS-Daten visualisieren können, um Ihre speziellen Anforderungen zu erfüllen. Wir werden uns mit Rasterdaten, Vektordaten, der Reihenfolge der Datenanzeige und der Datensymbologie beschäftigen. Wir werden auch die Erstellung und Bearbeitung von GIS-Daten behandeln.

Wesentliche GIS-Arbeitsabläufe: 3D-Karten und Drucken von Kartenlayouts 11m • 3 Lektionen • Anfänger In diesem Kurs über grundlegende GIS-Arbeitsabläufe: Erstellen und Analysieren von 3D-Karten lernen Sie, wie Sie 3D-Karten und -Modelle in GIS erstellen und wie Sie 3D-Daten abfragen und analysieren können. Sie erfahren, wie Sie 3D-Daten erstellen und in einer 3D-Karte navigieren können und wie Sie 3D-Daten für räumliche Analysen nutzen können. Am Ende dieses Kurses werden Sie in der Lage sein, 3D-GIS-Daten effektiv zu erstellen, zu bearbeiten und zu analysieren.

Wesentliche GIS-Arbeitsabläufe: Präsentieren Sie Ihr Projekt 14m • 4 Lektionen • Anfänger In diesem Kurs über grundlegende GIS-Workflows: Präsentation Ihres Projekts lernen Sie einige der besten Methoden für die Präsentation und den Export Ihrer GIS-Projekte kennen. Wir werden Methoden zur gemeinsamen Nutzung von Daten, Metadaten, Kartenkomponenten sowie gängige Methoden zur gemeinsamen Nutzung eines Projekts untersuchen. Am Ende dieses Kurses werden Sie in der Lage sein, professionelle und gut gemachte GIS-Projekte effektiv zu präsentieren, zu teilen und zu exportieren.

Big Data (Große Daten) 1h 10m • 18 Lektionen • Anfänger

Big Data bezeichnet Datensätze, die zu groß oder zu komplex sind, um von herkömmlicher Datenverarbeitungssoftware verarbeitet werden zu können. Big Data hilft Unternehmen, klügere Geschäftsentscheidungen zu treffen, effizientere Abläufe zu entwickeln, Gewinne zu steigern und die Kundenbeziehungen zu verbessern, indem sie die gesammelten Daten nutzen, um neue Möglichkeiten zu erkennen.

Was ist Big Data? 15m • 4 Lektionen • Anfänger

Society for Human Resource Management (SHRM®)

Big Data ist ein Begriff, der große, oft schwer zu verwaltenden Datenmengen beschreibt. Diese Daten können sowohl strukturiert als auch unstrukturiert sein. Aufgrund ihrer Größe können Big Data nicht in herkömmlichen Geschäftsplattformen gespeichert werden. In diesem Kurs "Was ist Big Data?" werden Big Data und ihre Verwendung vorgestellt. Sie werden auch etwas über die Faktoren erfahren, die das Wachstum von Big Data vorantreiben, über die Arten von Big Data und über Datenquellen.

Big-Data-Systeme und -Analytik 18m • 4 Lektionen • Anfänger

Society for Human Resource Management (SHRM®)

Um Big Data zu verarbeiten, benötigen Sie eine zentralisierte Anwendung, die es Ihnen ermöglicht, Daten zu übermitteln und dann in einer relationalen Datenbank zu speichern. In diesem Kurs über Big-Data-Systeme und -Analytik lernen Sie Speichersysteme für Big Data wie Hadoop und seine Architektur kennen, die das Hadoop Distributed File System, MapReduce und verschiedene Arten von verfügbaren Knoten umfasst.

Big Data-Architektur, Anwendungsfälle und Infrastrukturbedürfnisse 18m • 4 Lektionen • Anfänger

Society for Human Resource Management (SHRM®)

Big Data kann uns in vielerlei Hinsicht helfen. Der Großteil von Big Data ist unstrukturiert. Man schätzt sogar, dass 90 % der Big-Data-Anwendungsfälle mit unstrukturierten Daten durchgeführt werden. Das bedeutet, dass Sie einen soliden Plan haben müssen, um zu bestimmen, wie Sie Ihre unstrukturierten Daten speichern und nutzen wollen. In diesen Lektionen erfahren Sie mehr über strukturierte und unstrukturierte Daten sowie über die Big-Data-Architektur in der öffentlichen Cloud.

Big Data-Analysen, Erkennung von Anomalien und Vorhersagemodelle 16m • 4 Lektionen • Anfänger

Society for Human Resource Management (SHRM®)

Die diagnostische Analyse ist eine Technik, mit der festgestellt werden kann, warum ein Problem auftritt. Wenn Sie mit großen Datensätzen arbeiten und Analysen erstellen, können Sie damit die Grundursache ermitteln. In diesem Kurs über Big-Data-Analysen, Anomalieerkennung und Vorhersagemodelle lernen Sie die verschiedenen Arten von Analysen kennen, die mit Big Data durchgeführt werden können, sowie diagnostische und deskriptive Analysen.

Excel für die Datenanalyse verwenden 3h 29m • 32 Lektionen • Fortgeschrittene Anfänger

Society for Human Resource Management (SHRM®)

In diesem Kurs über die Verwendung von Excel für die Datenanalyse lernen Sie die Grundlagen der Datenanalyse mit den integrierten Tools von Microsoft Excel kennen. Wir behandeln den Prozess der Datenanalyse, die wichtigsten Funktionen, verschiedene Methoden zur Datenauswertung und einfache lineare Regressionen.

Excel für die Datenanalyse verwenden: Die Grundlagen 29m • 5 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen werden wir die Konzepte der Datenanalyse erklären. Wir gehen auf den Prozess der Bedarfsermittlung, der Datenerfassung, der Datenbereinigung, der Datenanalyse und der Interpretation unserer Ergebnisse ein. Sie lernen den Unterschied zwischen Betriebsdaten und analytischen Daten kennen, und wir tauchen tief in die verschiedenen Diagrammtypen ein, die Excel bietet.

Excel für die Datenanalyse verwenden: Datenanalyse 41m • 5 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen gehen wir darauf ein, wie man Datensätze findet, mit denen man arbeiten kann. Dann führen wir Sie durch jeden Teil des Datenanalyseprozesses: Bereinigung der Daten, Anreicherung der Daten, Suche nach Erkenntnissen und Bewertung der Ergebnisse. Sie erfahren, wo Sie eine Fülle von echten Datensätzen finden, mit denen Sie üben können, wie Sie Ihre Ergebnisse visuell darstellen und wie Sie analytische Funktionen ausführen können.

Excel für die Datenanalyse verwenden: Wesentlich 33m • 5 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen werden Sie mit den Funktionen SUMME, MIN und MAX vertraut gemacht, und wir zeigen Ihnen, wie Sie mit integrierten Excel-Funktionen bei der Erstellung von Analyseergebnissen viel Zeit sparen können. Außerdem lernen Sie, wie Sie die vom Benutzer eingegebenen Daten vor der Eingabe in das System validieren und wie Sie Nachschlagetabellen verwenden können.

Excel für die Datenanalyse verwenden: Methoden 30m • 5 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie die verschiedenen Methoden der Datenanalyse kennen, die Sie in Excel durchführen können. Sie erfahren auch, wie Sie Ihre Daten formatieren und zusammenfassen können, um den Analyseprozess zu erleichtern. Sie lernen den Unterschied zwischen Excel-Bereichen und statistischen Bereichen kennen und erfahren, wie Sie Ihre Daten mit Hilfe von Tabellen strukturieren und leichter sortieren können.

Excel für die Datenanalyse verwenden: Durchführen von Analysen 52m • 7 Lektionen • Fortgeschrittene Anfänger Was-wäre-wenn-Analysen spielen in der Datenanalyse eine wichtige Rolle. In diesen Lektionen lernen Sie, wie Sie den Scenario Manager und Goal Seek verwenden, um Ihre Analysen zu überprüfen. Außerdem lernen Sie den Wert von Simulationen kennen und erfahren, wann und wie Sie Sparklines verwenden, um Daten in einem einfachen, leicht zu lesenden Format zu verdichten.

Excel für die Datenanalyse verwenden: Einfache lineare Regression 20m • 3 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen tauchen Sie in die Welt der Statistik ein und lernen etwas über lineare und nichtlineare Regression. Wir gehen darauf ein, wie Excel lineare und nichtlineare Funktionen verwendet, um alle mathematischen Aufgaben für Sie zu erledigen, und wie Sie solche Funktionen verwenden können, um lineare Trendlinien zu erstellen, um Korrelationen innerhalb eines Datensatzes zu veranschaulichen.

Organisieren von Daten für Anfänger 1h 16m • 14 Lektionen • Anfänger

Society for Human Resource Management (SHRM®)

In diesem Kurs "Datenorganisation für Einsteiger" erfahren Sie, wie Sie Datenverwendungsfälle identifizieren und Daten so aufbereiten, dass sie diesen Verwendungsfällen gerecht werden. Wenn gesammelte Daten viele Benutzer und Anwendungsfälle unterstützen müssen, müssen Sie sicherstellen, dass die Datenverwendung auf konsistente, verwaltete Weise erfolgt, um das Risiko zu verringern, dass die Integrität oder Geschwindigkeit der Datenanalyse beeinträchtigt wird.