Data Science und Machine Learning mit Python – ONLINE (September 2026) Bildungsurlaub

Online

EASYDATASCIENCE

Anbieter

Merken

Kursbeschreibung

Fit für die berufliche digitale Zukunft mit datenanalytischer Kompetenz

###

Note: The Course is offered in German only and not in English. Please refrain from requesting this option, as any request via Bildungsurlauber.de incurs costs for us. Thanks for your understanding 🙂

###

Hinweis: Das Seminar ist in Berlin, Hamburg, Hessen, und Niedersachsen bereits als “Bildungsurlaub” anerkannt. Die Anerkennungsverfahren in Rheinland-Pfalz, Brandenburg, Mecklenburg-Vorpommern und Thüringen laufen derzeit noch. Wir erwarten hier bis Ende Oktober einen entsprechenden Rücklauf aus den Behörden. Falls das Seminar in Ihrem Bundesland nicht anerkannt ist, können Sie natürlich auch außerhalb des “Bildungsurlaubs” am Seminar teilnehmen, z.B. als Weiterbildungsmaßnahme Ihres Arbeitgebers oder als Umschulungsmaßnahme. Wir bitten um Verständnis, dass Anerkennungen in anderen als den ausgewiesenen Bundesländern aufgrund sehr unterschiedlicher behördlicher Auflagen nicht …

Fit für die berufliche digitale Zukunft mit datenanalytischer Kompetenz

###

Frühbucherpreis:

Bei Anmeldung zum Seminar bis zum 31.12.2025 gilt der Frühbucherpreis von 395,- EUR

(100,- EUR Rabatt gegenüber dem regulären Seminarpreis).

Veranstaltungsort: online (Webinar)

Daten sind das „Öl des 21. Jahrhunderts“ – diese oft zitierte Metapher beschreibt eindrücklich, wie zentral Daten in Wirtschaft, Verwaltung und Forschung geworden sind. Unternehmen, Behörden, Institutionen und Organisationen stehen heute vor der Herausforderung, aus der stetig wachsenden Menge an Informationen echten Mehrwert zu gewinnen. Genau hier setzt Data Science an: die systematische Analyse, Aufbereitung und Nutzung von Daten, um fundierte Entscheidungen zu treffen, Prozesse zu optimieren und Innovationen voranzutreiben.

Machine Learning (ML) als Teilgebiet der Data Science geht dabei noch einen Schritt weiter. Es ermöglicht Systemen, aus Daten zu lernen und auf Basis dieser Erkenntnisse Vorhersagen zu treffen oder Entscheidungen zu unterstützen – und das zunehmend automatisiert. Ob bei der Erkennung von Betrugsmustern, der vorausschauenden Wartung von Maschinen, der personalisierten Kundenansprache oder der medizinischen Diagnostik: Machine Learning ist längst keine Zukunftsvision mehr, sondern gelebte Realität in nahezu allen Branchen.

Datenanalysen mit den Techniken des Machine Learning dienen also dazu, aus Daten relevante Muster, Trends und Erkenntnisse zu gewinnen, die dann mit geeigneten Techniken der Datenkommunikation (z.B. “Storytelling mit Daten”) verständlich und überzeugend vermittelt werden. Nur wenn die Ergebnisse der Datenanalysen klar kommuniziert werden, können sie Entscheidungen beeinflussen und echte Mehrwerte schaffen. Datenanalysen liefern relevante Insights, eine qualifizierte Datenkommunikation sorgt dafür, dass diese verstanden und genutzt werden können. Kurz: Ohne Datenanalysen keine Erkenntnis – ohne Datenkommunikation keine Wirkung.

Hinweis: Das “Storytelling mit Daten” wird im Seminar thematisiert, jedoch nicht toolseitig umgesetzt. Der “Goldstandard” beim “Storytelling mit Daten” sind die aktuellen Veröffentlichungen von Cole Nussbaumer-Knaflic. “Storytelling mit Daten” lässt sich allerdings mit Python nicht umsetzten, hierzu gibt es Tools wie z.B. Tableau oder Qlik, mit denen “Storytelling mit Daten” erfolgreich realisiert werden kann. Zu diesem Thema bieten wir ein eigenes 5-tägiges Seminar an, der Leiter dieses Seminars hat hierzu eine ausgewiesene Expertise und bereits einige Publikationen in Fachbüchern und Fachzeitschriften veröffentlicht. Seminare, die “Storytelling mit Daten” mit Python versprechen, können dieses Thema nicht fundiert, praxistauglich und entsprechend der Erfolgsleitlinien von Cole Nussbaumer-Knaflic umsetzen.

Die Relevanz dieses Themenfeldes wird in den kommenden Jahren weiter zunehmen. Künstliche Intelligenz (KI) und datenbasierte Entscheidungsunterstützung gelten als Schlüsselfaktoren für Wettbewerbsfähigkeit, Effizienz und Innovationskraft. Fachkräfte, die Daten nicht nur verstehen, sondern auch praktisch nutzen und in den beruflichen Alltag integrieren können, sind gefragter denn je.

Seminarkonzept

Zielgruppe des Seminars sind Interessierte am Thema mit Grundkenntnissen in der Programmierung mit Python (Variablen, Standardfunktionen, individuelle Funktionen sowie Kontrollstrukturen wie if-Bedingung und Schleifen).

Praxisnähe statt Theorie-Marathon: Der besondere Mehrwert dieses Seminars liegt in seiner Praxisorientierung. Die Teilnehmenden arbeiten an konkreten Fallbeispielen, die sich an realen Herausforderungen aus Wirtschaft, Verwaltung und anderen Berufsfeldern, in denen Daten für den Erkenntnisgewinn genutzt werden, zu orientieren. Dabei wird stets der Bezug zur beruflichen Umsetzbarkeit hergestellt. Viele Seminare zu Data Science und Machine Learning werden von ausgebildeten Programmierern oder IT-Spezialisten angeboten, die sich zu diesen datenanalytischen Methoden und Techniken (selbst) theoretisch weitergebildet haben, dies auch gut beherrschen, jedoch wenig Erfahrung in der Umsetzung in der beruflichen Praxis haben. Diese sind jedoch essentiell, damit das Erlernte für Sie keine “akademische Übung” bleibt, sondern in Ihrem beruflichen Umfeld gewinnbringend eingesetzt werden kann. Hier profitieren Sie von den wertvollen praktischen Erfahrungen des Seminarleiters, der hierzu die “SUCCESS-Formel” für den erfolgreichen Einsatz von Machine Learning im beruflichen Umfeld entwickelt hat.

Dieses Seminar vermittelt Ihnen daher nicht nur technisches Wissen, sondern vor allem ein tiefes Verständnis für die praxisorientierte Anwendung von Data Science und Machine Learning mit Python. Der Fokus liegt auf der Umsetzung im beruflichen Kontext – von der Fragestellung über die Datenaufbereitung bis zur Interpretation und Kommunikation der Ergebnisse. Das Ziel ist nicht, aus Teilnehmenden reine Programmierer/innen zu machen, sondern sie in die Lage zu versetzen, datengetriebene Projekte sinnvoll zu konzipieren, kritisch zu hinterfragen und erfolgreich umzusetzen. Denn: Das beste Machine-Learning-Modell schafft keine Mehrwerte, wenn es in der Praxis nicht verstanden, integriert oder genutzt wird.

Wir legen deshalb besonderen Wert darauf, dass die Teilnehmenden in die Lage versetzt werden, die erlernten Methoden und Techniken der Datenanalyse mit Machine Learning in der (beruflichen) Praxis umsetzten und anwenden zu können. Das Erlernte soll keine “akademische Übung” bleiben, sondern echte Mehrwerte im beruflichen Umfeld schaffen. Hier unterscheiden wir uns von vielen anderen Seminaranbietern, die teilweise Inhalte zu Data Science lehren, die für die (berufliche) Praxis keine Relevanz haben oder teilweise auch essentielle Inhalte zu Data Science, die für eine erfolgreiche Umsetzung im beruflichen Umfeld wichtig sind, vernachlässigen oder erst gar nicht thematisieren. Hier profitieren Sie von der über 17-jährigen Erfahrung des Seminarleiters als Leiter von Data Science Projekten in der Praxis. Sie werden Schritt für Schritt in die Methoden und Techniken der Datenanalyse mit Machine Learning eingeführt und üben das Erlernte in verschiedenen Fallstudien aus der beruflichen Praxis, die sie mühelos auf Ihre eigenen Daten übertragen können.

In diesem Seminar erlernen Sie die “best practices” in der Analyse von Daten mit den “intelligenten” Techniken des Machine Learning. Sie lernen die in der (beruflichen) Praxis am häufigsten genutzten Datenanalysetechniken des Machine Learning kennen, die Sie in die Lage versetzen, die tief in den Daten verborgenen, relevanten Informationen zu extrahieren und damit für Ihr berufliches Umfeld nutzbar zu machen. Viele Unternehmen verschaffen sich z.B. auf diese Weise gewinnbringende Wettbewerbsvorteile gegenüber der Konkurrenz, aber auch in anderen Anwendungsbereichen liefern die gewonnenen Erkenntnisse aus diesen “intelligenten” Datenanalysetechniken sichtbare Vorteile in den verschiedensten Berufsfeldern.

Für Ihren Lernerfolg und die Umsetzung im beruflichen (oder privaten) Umfeld ist es essentiell, dass Sie die verschiedenen Datenanalysetechniken des Machine Learning inhaltlich und methodisch verstehen. Nur dann sind Sie in der Lage, das Erlernte auf Ihre individuellen Anwendungsfälle in der (beruflichen) Praxis zu übertragen. Das bloße Erlernen einer Programmiersprache für Data Science und Machine Learning ist dazu nicht ausreichend. Wir setzen daher in unserem Boot Camp einen Schwerpunkt auf das praxisorientierte Erlernen dieser Techniken und Methoden. Die erlernten Techniken und Methoden setzen Sie dann in praxisorientierte Fallstudien mit Python mit einem kostenfreien Data Science Tool um.

Seminarleitung

Der Leiter unseres Data Science Boot Camps ist u.a. ausgebildeter Diplom-Wirtschaftsinformatiker und Dozent mit über 17-jähriger praktischer Erfahrung als Projektleiter in Business Analytics, Data Science und Machine Learning. Er doziert und lehrt zu diesen Themen seit 2015 (u.a. an der Hochschule Anhalt, der Hochschule Darmstadt, der Technischen Hochschule Wildau, der Hochschule Magdeburg-Stendal sowie der Freien Universität Berlin) und verfügt über zahlreiche Veröffentlichungen in Fachbüchern und Fachmagazinen zu verschiedenen Themen und Aspekten der Data Science, insbesondere zu deren Anwendung und Erfolg in der beruflichen Praxis. Zudem ist er Sprecher auf verschiedenen Fachkonferenzen, die sich mit der Umsetzung von Data Science in der (beruflichen) Praxis befassen, z.B. TDWI München, TDWI Zürich, DW, Big Data World, Fachkonferenzen von Horváth & Partner, Fachkonferenz zu integrierte Finanzarchitektur.

Seminarinhalte

Einführung in Data Science, Data Analytics und Machine Learning

Algorithmen im Machine Learning

Unsupervised Learning, Supervised Learning und Reinforcement Learning

Explorative Analytics und Predictive Analytics

Data Mining, Text Mining und Image Mining

Empfehlungssyteme (Recommender Systems)

Datenvisualisierung und Storytelling mit Daten

Nutzen und Treiber von Data Analytics und Machine Learning

Anwendungsbereiche von Data Analytics und Machine Learning in der Praxis

Datenbeschaffung und Datenschutz

Gesellschaftspolitische Aspekte von Data Science

Rechtliche und ethische Aspekte von Data Analytics und Machine Learning

UNSUPERVISED LEARNING: Clusteranalyse

Methodische Grundlagen mit Fallstudien aus der (beruflichen) Praxis

Data Preprocessing für die Clusteranalyse

Modellerstellung mit ausgewählten Algorithmen der Clusteranalyse

Methoden der Modellevaluierung und Techniken der Modelloptimierung