Python With Data Science plus MS Teams

Data Science gilt als eines der am stärksten wachsenden Berufsfelder unserer Zeit — und Python ist das Werkzeug, das diesen Bereich antreibt. Dieser Kurs führt von den Grundlagen der Datenanalyse mit Python über Visualisierungstechniken, maschinelles Lernen und neuronale Netze bis hin zur Big-Data-Verarbeitung mit Apache Spark. In Meilenstein-Projekten wenden die Teilnehmenden jeden Kursabschnitt direkt auf echte Datensätze an. Microsoft Teams begleitet den Kurs als Plattform für kollaboratives Datenprojekt-Management.

Das Training ist in sechs thematische Lernblöcke unterteilt, die einen vollständigen Weg von der Datenanalyse bis zu modernen KI-Technologien abdecken. Datenanalyse mit Python bildet das Fundament. Die Teilnehmenden lernen, wie strukturierte und unstrukturierte Daten in Python eingelesen, bereinigt und ausgewertet werden — das Handwerk, ohne das keine Analyse stattfinden kann.

• Einführung in Pandas — DataFrames, Series, Indexierung und Filterung
• Datenbereinigung — fehlende Werte, Duplikate, inkonsistente Formate behandeln
• Datentransformation mit groupby, merge, pivot und reshape
• Einlesen von CSV, Excel und JSON-Dateien
• Statistische Grundkenntnisse in Python — Mittelwert, Median, Standardabweichung, Korrelation

Datenvisualisierung ist der zweite Schritt: Gute Analyse endet nicht im Terminal, sondern in einem Schaubild, das Entscheidungen ermöglicht. Dieser Block zeigt, wie Daten so aufbereitet werden, dass sie kommunizieren.

• Linien-, Balken- und Streudiagramme mit Matplotlib
• Heatmaps, Boxplots und Pair-Plots mit Seaborn
• Interaktive Visualisierungen für Präsentationen
• Gestaltungsprinzipien für aussagekräftige Charts

Machine Learning mit Scikit-learn — der größte Lernblock des Kurses führt systematisch in die Welt des maschinellen Lernens ein und deckt sowohl überwachtes als auch unüberwachtes Lernen ab.

• Grundkonzepte — Supervised vs. Unsupervised Learning, Trainings- und Testdaten
• Regressionsmodelle — lineare und polynomielle Regression
• Klassifikation — Entscheidungsbäume, k-Nearest-Neighbors, Support Vector Machines
• Clustering — k-Means und hierarchisches Clustering
• Modellvalidierung — Kreuzvalidierung, Konfusionsmatrix, Precision und Recall
• Hyperparameter-Tuning und Overfitting erkennen und vermeiden

Neuronale Netze und Deep Learning geben einen ersten, strukturierten Einblick in die Grundlagen der künstlichen Intelligenz — von der Architektur bis zum Trainingsvorgang.

• Aufbau und Funktionsweise eines neuronalen Netzes
• Aktivierungsfunktionen, Gewichte, Backpropagation
• Aufsetzen und Trainieren eines einfachen Modells
• Anwendungsfälle — Bildklassifikation und Textanalyse als Beispiele

Big Data mit Apache Spark adressiert die Situation, wenn Datenmengen den Arbeitsspeicher eines einzelnen Rechners übersteigen — ein realistisches Szenario in Unternehmensumgebungen.

• PySpark — Python-Interface für Apache Spark
• Erstellen von RDDs und DataFrames in Spark
• Verteilte Filter-, Aggregations- und Join-Operationen
• Einfacher Machine-Learning-Einsatz auf Spark-Basis mit MLlib

Praxisblock — Meilenstein-Projekte und begleitende Übungen verbinden alle Lernbereiche zu einem geschlossenen Data-Science-Workflow.

• Meilenstein-Projekt 1 — Datenbereinigung und explorative Analyse eines realen Datensatzes
• Meilenstein-Projekt 2 — Visualisierung von Zeitreihen- und Vergleichsdaten
• Meilenstein-Projekt 3 — Aufbau und Validierung eines Klassifikationsmodells
• Meilenstein-Projekt 4 — Trainieren eines einfachen neuronalen Netzes auf gelabelten Daten
• Meilenstein-Projekt 5 — Datenverarbeitung mit PySpark auf einem umfangreicheren Datensatz
• Fehleranalyse und Modellverbesserung auf Basis von Validierungsmetriken
• Erstellen eines strukturierten Analyse-Reports in Jupyter Notebook
• Peer-Feedback zu Code-Qualität und Visualisierungsauswahl
• Kollaborative Datenprojekte mit geteilten Jupyter-Notebooks über Microsoft Teams
• Präsentation von Analyseergebnissen vor der Lerngruppe
• Portfolio-Review und persönliche Reflexion der abgeschlossenen Projekte
• Diskussion aktueller Data-Science-Anwendungsfälle aus Wirtschaft und Wissenschaft

Dieser Kurs richtet sich an Python-Nutzer/innen, die in die Welt der Datenanalyse und des maschinellen Lernens einsteigen wollen, sowie an Fachkräfte aus analytischen Berufen, die ihre Werkzeugkompetenz auf Python und Data Science ausweiten möchten.

• Python-Grundkenntnisse vorhanden, aber Data-Science-spezifische Bibliotheken noch unbekannt
• Analyst/innen aus Controlling, Marketing oder Logistik, die Daten nicht nur in Excel, sondern mit Python auswerten wollen
• Hochschulabsolventinnen und -absolventen technischer oder naturwissenschaftlicher Fächer mit Datenaffinität
• IT-Fachkräfte, die in einen Data-Science- oder ML-Ingenieur-Beruf wechseln wollen

Data Science ist ein Fach, das man durch Tun lernt. Der Kurs setzt auf projektbasiertes Lernen: Jeder Lernblock endet mit einem Meilenstein-Projekt, in dem das Gelernte auf echte Daten angewendet wird. Erklärende Unterrichtseinheiten halten sich bewusst kurz; der Großteil der Zeit verbringen die Teilnehmenden damit, selbst Code zu schreiben, Fehler zu analysieren und Modelle zu verbessern. Das Combined-Learning-Format erlaubt es, eigenständige Arbeitsphasen mit geführten Besprechungen und Code-Reviews zu verbinden.

Das Training erstreckt sich über mehr als einen Monat. Der Umfang spiegelt die Breite der Themen wider — von grundlegender Datenanalyse bis zu Deep Learning und Big Data. Die Vollzeitvariante ermöglicht einen zügigen, immersiven Einstieg; die Teilzeitvariante erlaubt das parallele Absolvieren neben dem Beruf. Flexible Planung unterstützt die Teilnehmenden dabei, den Kurs an ihre Lebenssituation anzupassen.

Nach Kursabschluss erhalten die Teilnehmenden ein Lehrgangszertifikat von New Horizons, das die erworbenen Kenntnisse und den Umfang des Trainings dokumentiert. Zusätzlich entstehen im Kurs mehrere Portfolio-Projekte, die bei der Bewerbung auf Data-Analyst- oder Data-Scientist-Stellen als praktischer Kompetenznachweis dienen.

Data Science gilt als eine der am stärksten nachgefragten Qualifikationen am deutschen und internationalen Arbeitsmarkt. Unternehmen aller Branchen suchen Fachkräfte, die Daten nicht nur verwalten, sondern daraus Erkenntnisse ableiten und Entscheidungen vorbereiten können. Python ist die Schlüsselsprache für diesen Beruf — und dieser Kurs legt das vollständige Fundament dafür. Was diesen Kurs auszeichnet, ist die Breite des Abdeckungsbereichs. Wer diesen Kurs abschließt, hat nicht nur Einzelwerkzeuge kennengelernt, sondern versteht, wie Datenanalyse, Visualisierung, Machine Learning und Big Data als zusammenhängender Workflow funktionieren. Das ist ein Reifegrad, den viele Selbstlerner trotz langer Tutorial-Videos nicht erreichen, weil das methodische Gesamtbild fehlt. Die Meilenstein-Projekte verwandeln Kursabschluss in Portfolioarbeit. Wer im Vorstellungsgespräch mit eigenen Datenprojekten aufwarten kann — und dabei erklären kann, welche Methode warum eingesetzt wurde — unterscheidet sich deutlich von Kandidat/innen, die nur einen Kursnamen im Lebenslauf stehen haben.