Data Science: Einführung in Python und Deep Learning

Passt der Kurs zu dir?

1. 1
   Mathematik auf Oberstufenniveau mit linearer Algebra, Ableitungen und Wahrscheinlichkeitsrechnung, weil Regression und neuronale Netze darauf beruhen.
2. 2
   Programmierkenntnisse in Python oder die Bereitschaft, sie in einem Vorkurs aufzubauen, bevor Machine Learning beginnt.
3. 3
   Wenn dein Betrieb KI-Systeme einsetzt: Die KI-Verordnung der EU verpflichtet Anbieter und Betreiber, nach besten Kräften für ausreichende KI-Kompetenz ihres Personals zu sorgen; frage, ob dein Kurs dafür einen Nachweis ausstellt.

Das lernst du

1. 1
   Data Science: Einführung in Python und Deep Learning
2. 2
   Dieser Kurs führt in die grundlegenden Konzepte der Python-Programmierung und des Deep Learning ein und vermittelt den Lernenden praktische Erfahrungen in der Programmierung und in Anwendungen für neuronale Netze. Am Ende erwerben die Teilnehmer die erforderlichen Fähigkeiten für die Datenmanipulation, die Entwicklung von KI-Modellen und Deep-Learning-Workflows.
3. 3

   Kursmodule

   Einführung in Python für Data Science
   Verstehen der Python-Syntax, Variablen, Datentypen, Schleifen und Bedingungen.
   Arbeiten mit Funktionen und modularer Programmierung für effiziente Codierung.
   Erkunden Sie die Rolle von Python in datenwissenschaftlichen und KI-Anwendungen.
   Einrichten von Entwicklungsumgebungen
   Installieren und konfigurieren Sie Jupyter Notebooks und Anaconda für die Python-Entwicklung.
   Nutzen Sie integrierte Entwicklungsumgebungen (IDEs) für die Codierung von Arbeitsabläufen.
   Implementieren Sie die Versionskontrolle mit Git für die gemeinsame Codierung.
   Datenmanipulation mit Python-Bibliotheken
   Lernen Sie Pandas für die Datenmanipulation, -filterung und -aggregation kennen.
   Arbeiten Sie mit NumPy für numerische Berechnungen und Matrixoperationen.
   Vorverarbeitung und Bereinigung von Datensätzen für KI-Anwendungen.
   Künstliche Intelligenz (KI) Grundlagen
   Erkunden Sie die Grundlagen des maschinellen Lernens und Deep Learning.
   Verstehen Sie die Rolle der KI in der Automatisierung und prädiktiven Modellierung.
   Erfahren Sie mehr über KI-Anwendungen in Branchen wie Finanzen, Gesundheitswesen und Marketing.
   Einführung in Deep Learning
   Entdecken Sie, wie sich Deep Learning vom traditionellen maschinellen Lernen unterscheidet.
   Lernen Sie künstliche neuronale Netze (ANNs) und ihre Struktur kennen.
   Verstehen Sie die Bedeutung von Aktivierungsfunktionen, Schichten und Gewichten in neuronalen Netzen.
   Deep-Learning-Frameworks: TensorFlow & Keras
   Sammeln Sie praktische Erfahrungen mit TensorFlow und Keras.
   Implementieren Sie einfache neuronale Netze mit diesen Frameworks.
   Trainieren und bewerten Sie Modelle für reale KI-Anwendungen.
   Überwachtes und unüberwachtes Lernen im Deep Learning
   Verstehen Sie Konzepte des überwachten Lernens wie Klassifizierung und Regression.
   Erkunden Sie Techniken des unüberwachten Lernens wie Clustering und Anomalieerkennung.
   Wenden Sie diese Methoden auf reale Datensätze an.
   Praktische Python- und Deep-Learning-Übungen
   Erstellen Sie einfache KI-Modelle mit Python und TensorFlow.
   Wenden Sie Deep-Learning-Techniken auf Bildklassifizierungsaufgaben an.
   Arbeiten Sie an praktischen Projekten, um die Lernergebnisse zu festigen.
   Data Science-Projekte nutzen Python und Deep Learning, um durch prädiktive Modellierung signifikante Fortschritte in verschiedenen Branchen zu erzielen.

1. 1

   Aachen

   19.10.2026 · Blended Learning · Vollzeit · bis 1 Monat · über 10.000 €

2. 2

   Bielefeld

   19.10.2026 · Blended Learning · Vollzeit · bis 1 Monat · über 10.000 €

3. 3

   Bonn

   19.10.2026 · Blended Learning · Vollzeit · bis 1 Monat · über 10.000 €

4. 4

   Dresden

   19.10.2026 · Blended Learning · Vollzeit · bis 1 Monat · über 10.000 €

5. 5

   Duisburg

   19.10.2026 · Blended Learning · Vollzeit · bis 1 Monat · über 10.000 €

Förderwege

Wer deinen Kurs zahlt

Brutto im Monat

Mitte und Viertel bundesweit

3 Schritte vom Kurs in den Beruf

1. 1

   Vorhersagen aus Daten bauen

   Du trainierst Modelle, die etwa Nachfrage, Maschinenausfälle oder Kündigungen vorhersagen, und misst ihre Güte mit Daten, die das Modell vorher nicht gesehen hat. Dabei lernst du auch, wann ein einfaches lineares Modell genügt. Beispiel: Ein Händler plant mit deinem Modell die Bestellmenge für die nächste Saison.

2. 2

   Datenpipelines und Cloud

   Die Kombikurse mit Data Engineering zeigen, wie Daten aus Datenbanken, Logdateien und Schnittstellen automatisch in eine Analyseumgebung fließen. Cloud-Data-Science-Kurse ergänzen SQL-Datenbanken und Rechenleistung auf Abruf. Beispiel: Du richtest eine Pipeline ein, die Sensordaten einer Maschine stündlich bereinigt und speichert.

3. 3

   Modelle erklären und verantworten

   Du prüfst Trainingsdaten auf Verzerrungen und fehlende Werte und machst nachvollziehbar, welche Merkmale ein Ergebnis treiben. Bei Entscheidungen über Menschen, etwa zu Krediten oder Bewerbungen, achtest du zusätzlich auf Datenschutz und Gleichbehandlung. Beispiel: Du zeigst dem Vertrieb, welche Merkmale die Vorhersage eines Kündigungsrisikos am stärksten beeinflussen.

Themen

Arbeitsmarkt

Data Scientist bundesweit in Zahlen