In 9 intensiven Wochen wirst du zum Data Scientist. Du lernst alles von Python bis zu Machine Learning und bekommst alle Skills, die du für eine erfolgreiche Karriere in einem Data Science Team brauchst.
Unser Data Science Kurs gibt dir in nur 9 Wochen alle Skills, die du für einen erfolgreichen Start in einem Data Science Team brauchst. Von Pandas zu Deep Learning: nach dem Kurs kannst du komplexe Daten überprüfen, bereinigen und daraus nützliche Erkenntnisse ziehen. Du setzt Machine-Learning-Modelle von der ersten Codezeile bis zum Produktionsumfeld ein und arbeitest zusammen in Teams mit den modernsten Tools.
In unserem Kurs lernst du Schritt für Schritt alle wichtigen Skills eines Data Scientists. Du beginnst bei dem grundlegenden Daten-Toolkit in Python und endest mit der vollständigen Implementierung und Bereitstellung von komplexen Machine-Learning-Algorithmen.
Unser Data Science Kurs ist ziemlich intensiv. Um Zeit zu sparen und allen Teilnehmern einen erfolgreichen Start zu ermöglichen, müssen unsere Schüler eine Vorbereitungsarbeit vor dem Kurs vervollständigen. Die Vorbereitung dauert ungefähr 40 Stunden und behandelt die Grundlagen von Python (Voraussetzung für den Kurs), sowie einige mathematische Konzepte, die von Datenwissenschaftlern täglich angewandt werden.
Lerne Programmieren in Python, wie du mit dem Jupyter Notebook arbeitest und nützliche Python-Bibliotheken wie Pandas und NumPy einsetzt, um große Datenmengen zu analysieren. Sammle Daten aus unterschiedlichen Quellen wie CSV-Dateien, SQL-Abfragen auf relationalen Datenbanken, Google Big Query, APIs und Web-Scraping.
Lerne, wie du gute Fragestellungen formulierst und diese mit den richtigen SQL-Abfragen beantwortest. Dieses Modul behandelt Schema-Architekturen und taucht dann tief in die fortgeschrittene Manipulation von SELECT ein, zur Extraktion von nützlichen Informationen aus einer eigenständigen Datenbank oder mit einer SQL-Client-Software wie DBeaver.
Präsentiere deine Daten ansehnlich und klar verständlich, indem du Datenvisualisierungen in deinem Notebook einsetzt. Lerne, wie du Data Frames mit Hilfe von Python-Bibliotheken wie matplotlib und seaborn plottest und deine Daten in nützliche Erkenntnisse umwandelst.
Lerne die zugrundeliegende Mathematik hinter allen Bibliotheken und Modellen, die in unserem Kurs eingesetzt werden. Mach dich vertraut mit grundlegenden Konzepten der Statistik und Wahrscheinlichkeiten (Mittelwert, Varianz, Zufallsvariablen, Bayes-Theorem usw.) und mit Matrixberechnungen, ein Kernstück der numerischen Operationen in Bibliotheken wie Pandas und Numpy.
Du lernst, wie du deinen Datensatz mit Preprocessing-Techniken wie Vektorisierungen untersuchst, bereinigst und vorbereitest und machst dich dann vertraut mit linearen und logistischen Regressionen, den klassischen Modellen des Supervised Learnings. Du löst Vorhersage- und Klassifikationsaufgaben mit scikit-learn in Python und ziehst dabei Lernalgorithmen wie KNN (k-nearest neighbors) zur Hilfe.
Implementiere Trainings- und Test-Phasen, um dich zu vergewissern, dass dein Modell auch auf ungesehene Daten angewandt und erfolgreich in einem Produktionsumfeld eingesetzt werden kann. Lerne, wie du Überanpassungen mit Hilfe von Regularisierungsmethoden verhinderst und wie du die richtige Verlustfunktion wählst, um die Genauigkeit deines Modells zu verbessern.
Bewerte den Erfolg deines Modells, indem du definierst wonach optimiert werden soll und indem du die richtigen Fehlermetriken festlegst. Du verbesserst die Leistung deines Modells mit Validierungsmethoden wie Kreuzvalidierung oder Hyperparameter-Tuning und lernst zum Schluss SVMs (Support Vector Machines) kennen, eine leistungsstarke Methode fürs überwachte Lernen.
Jetzt wird es Zeit, in das unüberwachte Lernen einzusteigen und Methoden wie PCA anzuwenden, zur Reduktion der Dimensionalität oder Clustering zur Entdeckung von Gruppen in einem Datensatz. Außerdem lernst du Ensemble-Methoden kennen, die andere Modelle wie Random Forest oder Gradient Boosting miteinander kombinieren.
Vom Jupyter Notebook geht es weiter zum Code Editor. Du lernst, wie du ein Machine-Learning-Projekt richtig aufsetzt, um es schnell und sicher zu iterieren. Du wandelst deine Machine-Learning-Modelle in eine robuste und skalierbare Pipeline um und setzt dafür die sklearn-Pipeline mit Encodern und Transformatoren ein.
Der komplette Aufbau eines maschinellen Lernmodells erfordert eine große Menge an Datenvorbereitung, Experimenten, Iterationen und Anpassungen. Wir bringen dir bei, wie du Feature-Engineering und Hyperparameter-Tuning durchführst und robuste Modelle erstellst. Dafür nutzen wir eine Bibliothek namens MLflow.
Zum Schluss zeigen wir dir, wie du deinen Code und dein Modell in einem Produktionsumfeld bereitstellst. Mit der Google Cloud AI Plattform und Airflow kannst du dein Modell trainieren, verpacken und in der ganzen Welt einsetzen.
Mach dich vertraut mit der Verwaltung hochdimensionaler Variablen und deren Umwandlung in gut handhabbaren Input. Du lernst klassische Preprocessing-Techniken für Bilder wie Normalisierung, Standardisierung und Aufhellung. Du wendest die richtigen Kodierungen an, um deine Textdaten für verschiedene NLP-Aufgaben (Natural Language Processing) vorzubereiten.
Mach dich vertraut mit der Architektur neuronaler Netze (Neuronen, Schichten, Stacks) und ihrer Parameter (Aktivierungsfunktionen, Verlustfunktion, Optimierer). Du lernst, wie du selbstständig eigene Netzwerke entwickelst, wie zum Beispiel Convolutional Neural Networks (für Bilder), Recurrent Neural Networks (für Zeitreihen) und Natural Language Processing networks (für Text).
Entdecke eine neue Bibliothek namens Keras, ein entwicklerfreundlicher Wrapper über Tensorflow, einer Deep Learning Bibliothek von Google. Wir bringen dir die fundamentalen Methoden bei, mit denen du dein ersten Deep Learning Modell mit Keras entwickelst.
Steig noch tiefer in die Computer Vision mit Deep Learning ein, indem du Programme zur Objektdetektion und -erkennung entwickelst. Du setzt fortgeschrittene Methoden wie Data Augmentation ein, um dein Trainingsset durch die Berechnung von Bildstörungen (zufällige Ausschnitte, Intensitätsänderungen...) zu erweitern und so die Generalisierung deines Modells zu verbessern.
Jetzt ist es Zeit für eine Herausforderung aus dem echten Leben: "Wie kann ich als Data Scientist bei einer führenden E-Commerce-Firma nützliche Ratschläge identifizieren, um die Performance der Webseite zu verbessern?" Du lernst, wie du ein Python-Repository mit objektorientierter Programmierung strukturierst, um effizienter mit anderen zusammenzuarbeiten, wie du die Datenvorbereitungsphase einer großen Datenmenge meisterst, wie du statistische Ergebnisse schnell generierst und analysierst bevor du komplexe Vorhersagen triffst, und wie du deine Ergebnisse einem nicht-technischen Publikum anhand von Kosten-Nutzen-Analysen erklärst. Ihr arbeitet in Gruppen von 3-4 Teilnehmern zusammen, teilt euren Fortschritt und vergleicht eure Ergebnisse miteinander.
Nach dem einwöchigen E-Commerce Projekt arbeitet ihr die nächsten zwei Wochen als Gruppe an einer spannendenden Data Science Herausforderung. Ihr nutzt eine Mischung eigener Datensets (wenn ihr eine eigene Firma oder ein NGO habt) und öffentlicher Datenquellen (Regierungsinitiativen, Kaggle, etc.). Das Gruppenprojekt ist eine großartige Chance, alle Tools, Techniken und Methoden aus dem Kurs direkt anzuwenden und wird dir zeigen, wie eigenständig du bereits arbeiten kannst.
Von Vorlesungen am Morgen zu Vorträgen am Abend - jeder Tag ist spannend!
Schnapp dir einen Kaffee und starte den Tag mit einer spannenden und interaktiven Vorlesung, bevor du das Gelernte in die Praxis umsetzt.
Gemeinsam mit deinem Buddy für den Tag löst du Programmier-Aufgaben mit der Unterstützung unserer Lehrer.
Programmieren lernen kann intensiv sein. Am Nachmittag entspannt ihr euch bei einer gemeinsamen Yoga-Klasse.
Während der Live-Code-Session sprecht ihr über die heutigen Übungen und bekommt eine Übersicht der anstehenden Themen.
Lass dich inspirieren und erhalte wertvolle Tipps von erfolgreichen Gründern bei unseren exklusiven Talks & Workshops.
Unser Data Science Kurs ist erst der Beginn deiner Reise. Nach dem Kurs gehörst du zu einer weltweiten Tech-Community und hast Zugang zu unserer Online-Plattform, wo du immer weiter lernen und wachsen kannst.
Erhalte Tipps und Ratschläge von erfolgreichen Data Scientists & Datenanalysten, Zugang zu exklusiven Jobchancen und Freelance-Stellen von Gründern und Entwicklern.
Nutze jederzeit nach dem Kurs unsere Online-Lernplattform: hier findest du alle Data Science Vorlesungen, Screencasts, Übungen und Lernkarten.
Werde ein Teil unserer globaler Community aus 7016 Alumni, die im Bereich Data Science arbeiten, sowie viele weitere Gründer, Entwickler und Produktmanager auf der ganzen Welt.
Unsere unterschiedlichen Kurse gibt es in 38 Städten auf der ganzen Welt: wohin du auch reist, du gehörst zur Le Wagon Community!
Nach dem Ende des Programmierkurses profitierst du von unserer großartigen Karrierehilfe. Wir vernetzen dich mit den besten Recruitern und bringen dich mit relevanten Alumni in Kontakt.
Nutze unseren Alumni-Guide und starte erfolgreich in deine neue Data Science Karriere: bau dein Tech-Portfolio weiter aus, finde deinen Traumjob und lass dich von unseren 7016 Alumni unterstützen.
Mach mit bei unseren vielen Jobmessen und Networking Events, triff die besten Tech-Firmen und erhalte Angebote von Recruitern für spannende Datenjobs.
Unsere Alumni sind ständig in Kontakt mit neuen Teilnehmern: sie erklären dir, wie sie ihre Jobs als Data Scientists, Datenanalysten und Dateningenieure gefunden haben.
Unsere lokalen Teams sind regelmäßig in Kontakt mit unseren Alumni und Recruiting-Partnern und vernetzen dich jederzeit mit relevanten Personen.
Die besten Firmen arbeiten mit Le Wagon zusammen und stellen unsere Alumni als Data Scientists, Datenanalysten und Dateningenieure ein.
6 Alumni eingestellt
1 Alumni eingestellt
3 Alumni eingestellt
9 Alumni eingestellt
4 Alumni eingestellt
1 Alumni eingestellt
Finde heraus, ob du für spezielle Angebote in Brüssel berechtigt bist.
Paid education leave is available for Flanders Region.
Check your eligibility here
Private sector workers and contract workers in autonomous public companies are entitled to paid leave for training during or outside working hours.
Check your eligibility here
In Wallonia, we are certified for the "Chèques création d'entreprise" that could cover up to 80% of the tuition fee if your project is to settle up as a company or create a new activity inside your company. Attention: This is different of "Chèques-entreprises"
Check your eligibility here
In Flanders, we are certified for the KMO Portefeuille. Depending on your main activity, you might be eligible for a 20 to 30 % funding.
Check your eligibility here
