Python Programmering Grundkursus og videregående med ML – 6-dages uddannelsesforløb (to moduler)

2 moduler · 6 dage · Hands-on undervisning

Vil du lære Python fra bunden og samtidig få en praktisk introduktion til Machine Learning?
Dette 6-dages kursusforløb giver dig både et solidt grundlag i Python-programmering samt kompetencer til at udvikle og evaluere klassiske machine learning-modeller i Python.

Kurset kombinerer teori, best practices og hands-on øvelser – så du lærer at bruge Python effektivt i dit eget arbejde.

📘Modul 1 – Python Grundprogrammering (3 dage)

Lær Python fra bunden og opbyg et solidt teknisk fundament.

Indhold

Du bliver introduceret til centrale Python-koncepter, og lærer at skrive dine egne scripts, funktioner og simple programmer.

Du lærer bl.a.:

1. Pythons grundlæggende elementer

• Installation og udviklingsmiljø
• Datatyper: tal, strenge, lister, tupler, dictionaries, sets
• Arbejde med lister, slicing, loops og iteration
• Input/output og brugerinteraktion

2. Kontrolstrukturer og funktioner

• if/else-strukturer og betingelser
• for- og while-løkker
• Funktioner med parametre og returværdier
• Funktionsabstraktion og “god Python-stil”

3. Moduler, packages og genbrug af kode

• Import af moduler
• Brug af standardbiblioteket
• Strukturering af kode i egne filer

4. Fejlhåndtering

• Exceptions
• Try/except-blocks
• Sikker filhåndtering og logning

5. Objektorienteret programmering

• Klasser og objekter
• Attributter, metoder og konstruktorer
• Nedarvning og polymorfi

6. Pythonisk kode og stil

• List comprehensions
• Effektiv og læsbar kode
• Best practices

7. Regulære udtryk (RegEx)

• Mønstergenkendelse
• Tekstkontrol og validering

Praktisk arbejde

Hver dag afsluttes med opgaver og miniprojekter, hvor du skriver og kører Python-kode.

📗Modul 2 – Machine Learning i Python (3 dage)

Lær at bygge, træne og evaluere ML-modeller med scikit-learn.

Indhold

I dette modul arbejder du med typiske ML-workflows og lærer at bygge modeller, der kan klassificere, forudsige og finde mønstre i data.

1. Introduktion til Machine Learning

• Hvad er ML?
• Supervised vs. unsupervised learning
• Python-økosystemet: NumPy, Pandas, scikit-learn

2. Data preparation i praksis

• Datasæt, datatyper og datastrukturer
• Cleaning, håndtering af manglende data
• Feature engineering
• Skalering og normalisering
• Visualisering af data

3. Regression

• Lineær regression
• Polynomial regression
• Evaluering: MAE, RMSE, R²
• Case: Forudsigelse af boligpriser

4. Classification

• Logistic Regression
• Decision Trees
• Random Forest
• Case: Email classification / fraud detection

5. Unsupervised learning

• K-means clustering
• PCA til dimensionality reduction

6. Model-evaluering og performance

• Train/test split
• Cross-validation
• Overfitting og bias-variance tradeoff
• Learning curves

7. Model-tuning og deployment

• Hyperparameter tuning (GridSearchCV)
• Gemme og genindlæse modeller
• Integration i applikationer

Praktiske øvelser

Der arbejdes med komplette ML-cases, hvor deltagerne træner modeller helt fra rå data til færdig prediction.

🎓Efter kurset kan du:

Fra modul 1

• Skrive ren og struktureret Python-kode
• Arbejde effektivt med datatyper, funktioner og moduler
• Bruge objektorienteret programmering
• Håndtere fejl og arbejde sikkert med filer
• Lave scripts, der automatiserer opgaver

Fra modul 2

• Forberede og analysere data i Pandas og NumPy
• Udvikle ML-modeller til regression og classification
• Evaluere modeller og undgå overfitting
• Anvende clustering og dimensionality reduction
• Gemme og integrere ML-modeller i Python-applikationer

Forbehold for ændringer efter publisering