Python in Data Science Training Cursus

Deze live training onder leiding van een instructeur in België (online of ter plaatse) is bedoeld voor datawetenschappers die het Anaconda-ecosysteem willen gebruiken om pakketten en workflows voor gegevensanalyse vast te leggen, te beheren en te implementeren in één enkel platform.

Aan het einde van deze training zijn de deelnemers in staat om:

• Installeer en configureer Anaconda componenten en bibliotheken.
• Begrijp de kernconcepten, kenmerken en voordelen van Anaconda.
• Beheer pakketten, omgevingen en kanalen met behulp van Anaconda Navigator.
• Gebruik Conda-, R- en Python-pakketten voor datawetenschap en machine learning.
• Maak kennis met enkele praktische use cases en technieken voor het beheren van meerdere data-omgevingen.

Deze door een instructeur geleide, live training in België (online of ter plaatse) is gericht op data wetenschappers en software ingenieurs die Dask met de Python-ecosysteem willen gebruiken om grote datasets te bouwen, schalen en analyseren.

Na afloop van deze training zullen de deelnemers in staat zijn:

• Het omgeving opzetten om big data verwerking met Dask en Python te starten.
• De functionaliteiten, bibliotheken, tools en API's die beschikbaar zijn in Dask verkennen.
• Inzicht krijgen hoe Dask parallellerekeningen in Python versnelt.
• Leren hoe je de Python-ecosysteem (Numpy, SciPy en Pandas) met Dask schaalt.
• De Dask-omgeving optimaliseren om een hoge prestatie te behouden bij het verwerken van grote datasets.

Deze door een instructeur geleide live training in België (online of op locatie) is gericht op ontwikkelaars en data-analisten op intermediair niveau die hun vaardigheden in data-analyse en manipulatie met behulp van Pandas en NumPy willen verbeteren.

Na afloop van deze training kunnen de deelnemers:

• Een ontwikkelomgeving instellen die Python, Pandas en NumPy omvat.
• Een data-analyseapplicatie maken met behulp van Pandas en NumPy.
• Geavanceerde data-wrangling-, sorterings- en filteroperaties uitvoeren.
• Aggregaatoperaties uitvoeren en tijdreeksdata analyseren.
• Data visualiseren met Matplotlib en andere visualisatiebibliotheken.
• Hun data-analysecode debuggen en optimaliseren.

De explosie van informatie en data in de wereld van vandaag is ongeëvenaard; ons vermogen om te innoveren en de grenzen van het mogelijke te verleggen groeit sneller dan ooit tevoren. De rol van Data Scientist is tegenwoordig een van de meest gevraagde vaardigheden in de industrie.

Wij bieden veel meer dan leren via theorie; wij leveren praktische, verkoopbare vaardigheden die de kloof overbruggen tussen de wereld van de academische wereld en de eisen van de industrie.

Dit curriculum van 7 weken kan worden afgestemd op uw specifieke branchevereisten. Neem contact met ons op voor meer informatie of bezoek de website van het Nobleprog Instituut

Publiek:

Dit programma is bedoeld voor afgestudeerden op postniveau en voor iedereen met de vereiste vereiste vaardigheden, die zullen worden bepaald door een beoordeling en een interview.

Levering:

De cursus wordt gegeven een mix van Instructor Led Classroom en Instructor Led Online; normaal gesproken zal de eerste week 'klassikaal geleid' zijn, weken 2 - 6 'virtueel klaslokaal' en week 7 terug naar 'klassikaal geleid'.

Big data zijn datasets die zo omvangrijk en complex zijn dat traditionele applicatiesoftware voor gegevensverwerking onvoldoende is om hiermee om te gaan. Big data-uitdagingen zijn onder meer het vastleggen van gegevens, gegevensopslag, gegevensanalyse, zoeken, delen, overdragen, visualiseren, opvragen, bijwerken en informatieprivacy.

Deze cursus is bedoeld voor marketing- en verkoopprofessionals die dieper ingaan op de toepassing van datawetenschap in marketing en verkoop. De cursus biedt een gedetailleerde behandeling van verschillende datawetenschapstechnieken die worden gebruikt voor “upsale”, “cross-sale”, marktsegmentatie, branding en CLV.

Verschil tussen Marketing en Verkoop - Hoe verschillen verkoop en marketing van elkaar?

In heel eenvoudige bewoordingen kan verkoop worden omschreven als een proces dat zich richt op individuen of kleine groepen. Marketing richt zich daarentegen op een grotere groep of het algemeen publiek. Marketing omvat onderzoek (identificatie van de behoeften van de klant), productontwikkeling (het produceren van innovatieve producten) en promotie van het product (door middel van reclame) en creëert bewustzijn over het product onder consumenten. Zo is marketing gericht op het genereren van leads of prospects. Zodra het product op de markt is, is het de taak van de verkoper om de klant te overtuigen om het product te kopen. Verkoop betekent leads of prospects omzetten in aankopen en bestellingen, terwijl marketing zich richt op langere termijn, richt verkoop zich op kortere doelen.

Deze instructeurgeleide, live-training (online of op locatie) is gericht op ontwikkelaars die de FARM (FastAPI, React en MongoDB)-stack willen gebruiken om dynamische, hoge-prestatie en schaalbare webtoepassingen te bouwen.

Na afloop van deze training kunnen de deelnemers:

• Het noodzakelijke ontwikkelomgeving inrichten dat FastAPI, React en MongoDB integreert.
• De belangrijkste concepten, functies en voordelen van de FARM-stack begrijpen.
• Leren hoe je REST APIs kunt bouwen met FastAPI.
• Leren hoe je interactieve toepassingen kunt ontwerpen met React.
• Toepassingen (front-end en back-end) ontwikkelen, testen en implementeren met de FARM-stack.

Dit door de instructeur geleide live-training in België (online of on-site) is gericht op ontwikkelaars die FastAPI willen gebruiken met Python om RESTful API's sneller en gemakkelijker te bouwen, testen en implementeren.

Na het volgen van deze training zullen de deelnemers in staat zijn:

• Het benodigde ontwikkelomgeving op te zetten om API's met Python en FastAPI te ontwikkelen.
• API's sneller en gemakkelijker te creëren met behulp van de FastAPI-bibliotheek.
• Te leren hoe je data-modellen en schema's kunt maken op basis van Pydantic en OpenAPI.
• API's aan een database te koppelen met SQLAlchemy.
• Veiligheid en authenticatie in API's te implementeren met de FastAPI-hulpmiddelen.
• Container-afbeeldingen te bouwen en web-API's naar een cloud-server te implementeren.

Deze door een instructeur geleide live training in België (online of op locatie) introduceert het idee van samenwerkende ontwikkeling in datawetenschap en demonstreert hoe Jupyter te gebruiken om als team deel te nemen in de "levenscyclus van een computabel idee". Het begeleidt de deelnemers door het creëren van een voorbeeldproject in datawetenschap, gebaseerd op het Jupyter-ecosysteem.

Na deze training kunnen de deelnemers:

• Jupyter installeren en configureren, inclusief het maken en integreren van een teamrepository op Git.
• Jupyter-functies zoals extensies, interactieve widgets, multiuser-modus en meer gebruiken om projectcollaboratie mogelijk te maken.
• Jupyter Notebooks maken, delen en organiseren met teamleden.
• Kiezen uit Scala, Python, R, om code te schrijven en uit te voeren tegen big data systemen zoals Apache Spark, alles via de Jupyter-interface.

Deze live training onder leiding van een instructeur in België (online of ter plaatse) is bedoeld voor datawetenschappers en -ontwikkelaars die willen leren en hun carrière willen opbouwen in Data Science met behulp van Kaggle.

Aan het einde van deze training zijn de deelnemers in staat om:

• Meer informatie over datawetenschap en machine learning.
• Verken data-analyse.
• Lees meer over Kaggle en hoe het werkt.

In het eerste deel van deze training behandelen we de basisprincipes van MATLAB en de functie ervan als zowel een taal als een platform.  In deze discussie is een inleiding opgenomen in MATLAB syntaxis, arrays en matrices, datavisualisatie, scriptontwikkeling en objectgeoriënteerde principes.

In het tweede deel laten we zien hoe je MATLAB kunt gebruiken voor datamining, machine learning en voorspellende analyses. Om deelnemers een duidelijk en praktisch perspectief te geven op de aanpak en kracht van MATLAB, maken we vergelijkingen tussen het gebruik van MATLAB en het gebruik van andere tools zoals spreadsheets, C, C++ en Visual Basic.

In het derde deel van de training leren deelnemers hoe ze hun werk kunnen stroomlijnen door hun gegevensverwerking en het genereren van rapporten te automatiseren.

Tijdens de cursus zullen de deelnemers de geleerde ideeën in de praktijk brengen door middel van praktische oefeningen in een laboratoriumomgeving. Aan het einde van de training hebben de deelnemers een grondig begrip van de capaciteiten van MATLAB en kunnen ze deze gebruiken voor het oplossen van real-world data science-problemen en voor het stroomlijnen van hun werk door middel van automatisering.

Tijdens de cursus zullen beoordelingen worden uitgevoerd om de voortgang te meten.

Opzet van de cursus

• De cursus omvat theoretische en praktische oefeningen, waaronder casusbesprekingen, inspectie van voorbeeldcodes en praktische implementatie.

Notitie

• Oefensessies zijn gebaseerd op vooraf afgesproken voorbeeldgegevensrapportsjablonen. Als u specifieke wensen heeft, neem dan contact met ons op om dit te regelen.

Deze live training onder leiding van een instructeur in België (online of ter plaatse) is bedoeld voor datawetenschappers en -ontwikkelaars die Modin willen gebruiken om parallelle berekeningen te bouwen en te implementeren met Pandas voor snellere data-analyse.

Aan het einde van deze training zijn de deelnemers in staat om:

• Zet de benodigde omgeving op om te beginnen met het ontwikkelen van Pandas workflows op schaal met Modin.
• Begrijp de functies, architectuur en voordelen van Modin.
• Ken de verschillen tussen Modin, Dask en Ray.
• Voer Pandas bewerkingen sneller uit met Modin.
• Implementeer de volledige Pandas API en functies.

Python is een programmeertaal die enorm veel populariteit heeft gekregen in de financiële sector. Geadopteerd door de grootste beleggingsbanken en hedgefondsen wordt het gebruikt om een breed scala aan financiële toepassingen te bouwen, van kernhandelsprogramma's tot risicomanagementsystemen.

Tijdens deze instructiegeleide live training zullen deelnemers leren hoe ze Python kunnen gebruiken om praktische toepassingen te ontwikkelen voor het oplossen van een aantal specifieke financiële problemen.

Na afloop van deze training zullen deelnemers in staat zijn:

• Het basisprincipe van de Python-programmeertaal begrijpen
• De beste ontwikkeltools downloaden, installeren en onderhouden voor het creëren van financiële toepassingen in Python
• De meest geschikte Python-pakketten en -programmeertechnieken selecteren en gebruiken om financiële gegevens uit verschillende bronnen (CSV, Excel, databases, web, etc.) te organiseren, visualiseren en analyseren
• Toepassingen bouwen die problemen oplossen gerelateerd aan asset allocatie, risicoanalyse, investeringsprestaties en meer
• Een Python-toepassing troubleshooten, integreren, implementeren en optimaliseren

Doelgroep

• Ontwikkelaars
• Analytici
• Quants

Cursusopzet

• Gedeeltelijk lezing, gedeeltelijk discussie, oefeningen en veel praktijkervaring

Noot

• Deze training strekt zich uit over oplossingen voor sommige van de belangrijkste problemen waarmee financiële professionals worden geconfronteerd. Als u een bepaald onderwerp, hulpmiddel of techniek wilt toevoegen of verder uitwerken, neem dan contact met ons op om dit te regelen.

Deze door een instructeur geleide, live training (online of ter plaatse) is bedoeld voor datawetenschappers en ontwikkelaars die RAPIDS willen gebruiken om GPU-geaccelereerde datapijplijnen, workflows en visualisaties te bouwen en machine learning algoritmen zoals XGBoost, cuML, enz. toe te passen.

Aan het einde van deze training kunnen de deelnemers:

• De noodzakelijke ontwikkelomgeving inrichten om datamodellen te bouwen met NVIDIA RAPIDS.
• De functies, componenten en voordelen van RAPIDS begrijpen.
• GPUs benutten om end-to-end data- en analytische pijplijnen te versnellen.
• GPU-geaccelereerde datapreparatie en ETL implementeren met cuDF en Apache Arrow.
• Leren hoe machine learning taken uit te voeren met XGBoost en cuML algoritmen.
• Datavisualisaties bouwen en grafische analyse uitvoeren met cuXfilter en cuGraph.