Python for Data Analytics and Machine Learning

Python ist die dominierende Sprache in Data Analytics und Machine Learning. Diese Komplettausbildung führt vom Python-Einstieg bis zu eigenständig trainierten ML-Modellen. Python-Foundations (2 Wochen): Syntax (Variablen, Datentypen, Operatoren, Conditionals, Loops, Functions), Datenstrukturen (List, Tuple, Set, Dict mit Comprehensions), Object-Oriented Programming (Classes, Inheritance, Polymorphism), File I/O, Exception Handling, Modules und Packages, Virtual Environments mit venv/conda, Package Management mit pip. Modern Python: Type Hints, f-Strings, Walrus Operator, Dataclasses, Pathlib. Data Analytics-Stack (4 Wochen): NumPy für numerische Berechnungen (n-dimensionale Arrays, Broadcasting, Vektorisierung statt Loops, Linear Algebra mit numpy.linalg, Random Number Generation). Pandas für Datenmanipulation (Series und DataFrames, Reading/Writing CSV/Excel/SQL/JSON/Parquet, Indexing mit .loc/.iloc/.at/.iat, Filtering, Sorting, GroupBy mit Aggregations, Merging/Joining, Reshaping mit melt/pivot/stack/unstack, Time Series mit DatetimeIndex und Resampling, Missing Data Handling, Categorical Data, MultiIndex). Matplotlib für Visualisierung (Figure/Axes-Objektmodell, Line/Bar/Scatter/Histogram, Subplots, Anpassungen). Seaborn als High-Level-Wrapper (statistische Plots wie pairplot, heatmap, violinplot). Plotly für interaktive Charts. Statistik (2 Wochen): Deskriptive Statistik (Mean, Median, Mode, Standard Deviation, Quartile, Skewness, Kurtosis), Inferenzstatistik (Population vs. Sample, Sampling Distribution, Central Limit Theorem, Confidence Intervals, Hypothesentests t-Test/Chi-Squared/ANOVA, p-Werte mit Vorsicht, Effect Size, Power Analysis), Korrelation und Kovarianz, Bayes-Statistik vs. Frequentist, A/B-Testing-Methodik. ML mit Scikit-learn (4 Wochen): Supervised Learning — Linear Regression, Logistic Regression, Decision Trees, Random Forest, Gradient Boosting (sklearn + XGBoost + LightGBM), SVM, k-NN, Naive Bayes, Neural Networks (MLPClassifier). Unsupervised Learning — k-Means, Hierarchical Clustering, DBSCAN, PCA, t-SNE. Model Selection — Train/Test Split, K-Fold Cross-Validation, Stratified K-Fold, Time Series Split, Hyperparameter Tuning mit GridSearchCV/RandomizedSearchCV/Optuna. Pipelines und ColumnTransformer für saubere Workflows. Evaluation — Classification Metrics (Accuracy, Precision, Recall, F1, ROC-AUC), Regression Metrics (MSE, MAE, R²), Confusion Matrix, Classification Report. Praxis: 3 Capstone-Projekte (Titanic-Survival-Predictor, Customer-Segmentation, Sales-Forecasting).