Stat & Machinelles Lernen-Software Schulung
Beginnen Sie noch heute
SAS Schulungen
Waehle aus, die Schulungen, die euch besser Passt
Bitte überprüfen Sie das Inhaltsverzeichnis und wählen Sie passende SAS-Themen aus. Ich passe die Schulung an Ihre Bedürfnisse an.
Einführung in die SAS-Programmierung
- Was ist SAS
- Das Schreiben Ihres ersten SAS-Programms
- Einlesen von Rohdaten aus externen Dateien
- Erstellen permanenter SAS-Datensätze
- Erstellen von Formaten und Bezeichnungen
- Lesen und Schreiben von Daten aus einer Excel-Tabelle
Präsentation und Zusammenfassung Ihrer Daten
- Anzeige Ihrer Daten
- Erstellung maßgeschneiderter Berichte
- Zusammenfassung Ihrer Daten
- Ermittlung der Häufigkeit
- Erstellen von tabellarischen Berichten
- Einführung in das Output Delivery System
- Generieren von hochwertigen Grafiken
Fortgeschrittene SAS-Programmierung
- Anwendung fortgeschrittener INPUT-Techniken
- Verwendung fortgeschrittener Funktionen benutzerdefinierter Formate und Informats
- Umstrukturierung von SAS-Datensätzen
- Arbeiten mit Längsschnittdaten
- Einführung in die SAS-Makrosprache
- Einführung in die Structured Query Language (SQL)
SAS Enterprise Guide
- Einführung in SAS Enterprise Guide
- Datenimport und Datenexport
- Datenbereinigung und Datentransformation
- Datenexploration und Datenvisualisierung
- Datenanalyse und statistische Auswertungen
- Erstellung von Berichten und Dashboards
- Automatisierung von Aufgaben und Workflows
- Zusammenarbeit und Sharing von Projekten
- Arbeiten mit SAS-Code und Makros
- Überwachung und Verwaltung von Projekten
- Performance-Optimierung und Ressourcenmanagement
SAS-Programmierung auf mittlerem Niveau
- Durchführen einer bedingten Verarbeitung
- Durchführen einer iterativen Verarbeitung: Schleifenbildung
- Arbeiten mit Datumsangaben
- Untermengenbildung und Kombinieren von SAS-Datensätzen
- Arbeiten mit numerischen Funktionen
- Arbeiten mit Zeichenkettenfunktionen
- Arbeiten mit Arrays
SAS-Makroprogrammierung
- Einführung in die SAS-Makrosprache
- Makrovariablen und Makrofunktionen
- Erstellung und Ausführung von Makros
- Makroprogrammierungstechniken
- Fortgeschrittene Makrokonzepte
- Effiziente Nutzung der SAS-Makrosprache
SAS Structured Query Language (SQL)
- Einführung in SQL
- Datenbankgrundlagen
- Datenabfragen mit SELECT
- Filtern von Daten mit WHERE
- Sortieren von Daten mit ORDER BY
- Aggregatfunktionen und Gruppierung
- Joins und Verknüpfungen von Tabellen
- Unterabfragen und verschachtelte Abfragen
- Datenmanipulation mit INSERT, UPDATE und DELETE
- Tabellen erstellen, ändern und löschen
- Datenbankadministration und -optimierung
Machinelles Lernen mit SAS Viya
- Einführung in SAS Viya
- Datenexploration und -verarbeitung mit SAS Viya
- Feature-Engineering mit SAS Viya
- Aufteilung der Daten mit SAS Viya
- Klassifikation mit SAS Viya
- Clusteranalyse mit SAS Viya
- Evaluierung und Validierung von Modellen mit SAS Viya
- Hyperparameter-Optimierung mit SAS Viya
- Modelldokumentation und -bereitstellung mit SAS Viya
- Fortgeschrittene Themen im maschinellen Lernen mit SAS Viya
Python-Schulung für Data Science
Bitte überprüfen Sie das Inhaltsverzeichnis und wählen Sie passende Python-Themen aus. Wir passen die Schulung an Ihre Bedürfnisse an.
Einführung in Python für Data Science
- Grundlagen von Python
- Datentypen und Strukturen in Python
- Kontrollstrukturen und Schleifen
- Funktionen und Module in Python
Datenmanipulation mit Python
- Arbeiten mit NumPy-Arrays
- Datenbereinigung und -vorverarbeitung mit Pandas
- Umgang mit fehlenden Daten
- Datenaggregation und -transformation
Datenvisualisierung mit Python
- Einführung in Visualisierungsbibliotheken (Matplotlib, Seaborn)
- Erstellung grundlegender Diagramme und Plots
- Anpassung von Visualisierungen
- Visualisierung kategorischer und zeitlicher Daten
Textanalyse und Natural Language Processing mit Python
- Einführung in Textanalyse und Natural Language Processing
- Textvorverarbeitung mit Python
- Sentimentanalyse und Emotionserkennung
- Textklassifikation und Texterkennung
- Sprachgenerierung und Textverständnis
- Anwendungen von NLP in der Praxis
- Fortgeschrittene Themen in der Textanalyse und NLP
- Praktische Anwendung und Fallstudien
Datenvisualisierung mit Plotly und Dash
- Einführung in Datenvisualisierung mit Plotly und Dash
- Installation und Einrichtung von Plotly und Dash
- Grundlagen der Datenvisualisierung mit Plotly
- Erstellung von interaktiven Diagrammen mit Plotly
- Anpassung und Formatierung von Diagrammen mit Plotly
- Datenvisualisierung mit Dash
- Erstellung interaktiver Dashboards mit Dash
- Datenbindung und Aktualisierung in Dash-Dashboards
- Fortgeschrittene Techniken und Visualisierungstypen mit Plotly und Dash
- Integration von Plotly und Dash in Webanwendungen
- Best Practices für die Datenvisualisierung mit Plotly und Dash
Big-Data-Verarbeitung mit PySpark
- Einführung in Big-Data-Verarbeitung mit PySpark
- Installation und Einrichtung von PySpark
- Grundlagen von PySpark und Spark
- Datenbeschaffung und -vorverarbeitung mit PySpark
- Datenmanipulation und -transformation mit PySpark
- Datenanalyse und -exploration mit PySpark
- Maschinelles Lernen mit PySpark
- Streaming-Verarbeitung mit PySpark
- Optimierung und Skalierung von PySpark-Jobs
- Integration von PySpark in Big-Data-Umgebungen
- Best Practices für die Big-Data-Verarbeitung mit PySpark
Einführung in Deep Learning und neuronale Netzwerke mit Python
- Einführung in Deep Learning mit Python
- Python-Grundlagen für Deep Learning
- Einführung in TensorFlow und Keras
- Datenaufbereitung für Deep Learning
- Aufbau und Training von Deep-Learning-Modellen mit Python
- Feinabstimmung und Optimierung von Deep-Learning-Modellen
- Evaluierung und Auswertung von Deep-Learning-Modellen
- Praktische Anwendungsbeispiele in Python
Bereitstellung und Produktivsetzung von Modellen
- Einführung in die Bereitstellung und Produktivsetzung von Modellen
- Modellverpackung und -export mit Python
- Implementierung von RESTful APIs für Modellzugriff
- Skalierung und Leistungsoptimierung von Modellen
- Überwachung und Fehlerbehebung von Modellen in der Produktion
- Integration von Modellen in Produktionsumgebungen
- Automatisierung von Modellbereitstellung und -aktualisierung
- Sicherheit und Datenschutz bei der Modellbereitstellung
Erkunden von scikit-learn für maschinelles Lernen
- Einführung in maschinelles Lernen mit scikit-learn
- Grundlagen von scikit-learn
- Überwachtes Lernen mit scikit-learn
- Unüberwachtes Lernen mit scikit-learn
- Fortgeschrittene Techniken mit scikit-learn
- Praktische Anwendungsbeispiele mit scikit-learn
- Modellbereitstellung und -integration mit scikit-learn
- Best Practices und fortgeschrittene Tipps für scikit-learn
Einführung in TensorFlow und Keras für Deep Learning
- Einführung in TensorFlow und Keras
- Installation und Einrichtung von TensorFlow und Keras
- Grundlegende Konzepte von TensorFlow und Keras
- Erstellen und Kompilieren von neuronalen Netzwerken mit Keras
- Datenaufbereitung und Vorverarbeitung mit TensorFlow und Keras
- Training von Deep-Learning-Modellen mit TensorFlow und Keras
- Evaluierung und Validierung von Deep-Learning-Modellen
- Optimierung und Verbesserung von Deep-Learning-Modellen
- Fortgeschrittene Techniken mit TensorFlow und Keras
- Modellbereitstellung und -integration mit TensorFlow und Keras
- Best Practices und Tipps für den Einsatz von TensorFlow und Keras
R-Schulung für Data Science
Bitte überprüfen Sie das Inhaltsverzeichnis und wählen Sie passende R-Themen aus. Wir passen die Schulung an Ihre Bedürfnisse an.
Einführung in R
- Einführung in R
- Die R-Umgebung kennenlernen
- Datenmanagement in R
- Datenvisualisierung mit R
- Statistische Analyse in R
- Einführung in das Programmieren mit R
- Praktische Anwendung von R
- Ressourcen und Weiterentwicklung in R
Datenvisualisierung und explorative Datenanalyse mit R
- Einführung in Datenvisualisierung und explorative Datenanalyse
- Grundlagen der Datenvisualisierung mit R
- Visualisierung von numerischen Daten
- Visualisierung von kategorialen Daten
- Visualisierung von zeitlichen Daten
- Erweiterte Visualisierungstechniken
- Explorative Datenanalyse mit R
- Präsentation und Dokumentation von Datenvisualisierungsergebnissen
Maschinelles Lernen mit dem R-Paket mlr3
- Einführung in mlr3 R-paket
- Datenmanagement und -vorbereitung
- Machine-Learning-Pipeline mit mlr3
- Modellentwicklung und -auswahl mit mlr3
- Evaluierung von Modellen mit mlr3
- Fortgeschrittene Techniken und Erweiterungen in mlr3
- Automatisierung und Workflow-Management mit mlr3
- Fortgeschrittene Themen in mlr3
Spezielle Machine-Learning-Modelle in R
- Einführung in R und RStudio für maschinelles Lernen
- Datenmanipulation und -vorbereitung mit dem dplyr-Paket
- Datenvisualisierung mit dem ggplot2-Paket
- Lineare Regression und Generalisierte lineare Modelle mit dem glm-Paket
- Entscheidungsbaummodelle mit dem rpart-Paket
- Random Forests mit dem randomForest-Paket
- Support Vector Machines mit dem e1071-Paket
- Neuronale Netze und Deep Learning mit dem keras-Paket
- Clusteranalyse mit dem cluster-Paket
- Bewertung von Modellen und Leistungsmetriken mit dem caret-Paket
Textanalyse und Natural Language Processing mit R
- Einführung in Textanalyse und Natural Language Processing (NLP) mit R
- Textvorverarbeitung und Tokenisierung mit dem ‚tm‘-Paket
- Textnormalisierung und Stoppwortentfernung mit dem ‚tm‘-Paket
- Wortfrequenzanalyse und Häufigkeitsverteilungen mit dem ‚tm‘-Paket
- Textklassifikation und Sentiment-Analyse mit dem ‚caret‘-Paket
- Named Entity Recognition (NER) und Entitätsbeziehungen mit dem ‚openNLP‘-Paket
- Topic Modeling und Latent Dirichlet Allocation (LDA) mit dem ‚topicmodels‘-Paket
- Textclustering und Dokumentähnlichkeit mit dem ‚text‘ oder ‚tm‘ Paket
- Wortvektoren und Word Embeddings mit dem ‚text2vec‘ oder ‚word2vec‘ Paket
- Fortgeschrittene Techniken in der Textanalyse und NLP mit R-Paketen
Datenbankintegration und Big Data Analytics mit R
- Einführung in Datenbankintegration und Big Data Analytics mit R
- Verbindung zu Datenbanken und Datenimport mit dem ‚DBI‘-Paket
- Datenabfragen und -manipulation mit dem ‚dplyr‘-Paket
- Datenvisualisierung und Explorative Datenanalyse mit dem ‚ggplot2‘-Paket
- Datenanalyse mit Apache Hadoop und dem ‚rhdfs‘-Paket
- Datenanalyse mit Apache Spark und dem ’sparklyr‘-Paket
- Datenanalyse mit relationalen Datenbanken und dem ‚RSQLite‘-Paket
- Datenanalyse mit NoSQL-Datenbanken und dem ‚mongolite‘-Paket
- Parallele Datenverarbeitung und Skalierbarkeit mit dem ‚doParallel‘-Paket
- Fortgeschrittene Big Data Analytics und Machine Learning mit R-Paketen
Zeitreihenanalyse mit R
- Einführung in Zeitreihenanalyse und ihre Anwendungen
- Datenimport und -vorbereitung für Zeitreihenanalysen mit dem ‚ts‘-Paket
- Zeitreihenvisualisierung und explorative Datenanalyse mit dem ‚ggplot2‘-Paket
- Zeitreihenkomponentenanalyse und Trenderkennung mit dem ‚forecast‘-Paket
- Saisonale Anpassung und Dekomposition von Zeitreihen mit dem ‚forecast‘-Paket
- Zeitreihenprognose und Modellierung mit ARIMA-Modellen und dem ‚forecast‘-Paket
- Zeitreihenmodellierung mit GARCH-Modellen und dem ‚rugarch‘-Paket
- Zeitreihenanalyse mit Zustandsraummodellen und dem ‚dynamichazard‘-Paket
- Zeitreihenclustering und Mustererkennung mit dem ‚dtw‘-Paket
- Fortgeschrittene Techniken in der Zeitreihenanalyse mit R
Datenanalyse mit bayesianischen Ansätzen unter Verwendung von R-Paketen
- Bayesianische lineare Regression mit dem ‚rstanarm‘-Paket
- Hierarchische Modelle und Multilevel-Analyse mit dem ‚brms‘-Paket
- Bayesianische Zeitreihenanalyse mit dem ‚bsts‘-Paket
- Bayesianische Entscheidungsanalyse und -optimierung mit dem ‚BayesOpt‘-Paket
- Bayesianisches Maschinelles Lernen mit dem ‚BART‘-Paket
- Fortgeschrittene Techniken in der Bayesianischen Datenanalyse mit R