Python, Dataanalyse og AI – fra grundlæggende programmering til Deep Learning. 11 dage fordelt på 4 moduler. hjemmestudie, refleksion og praktiske opgaver mellem modulerne. Uddannelse med certificering

Kursusoverblik

Dette intensive og praksisnære kursusforløb giver dig en sammenhængende indføring i Python-programmering, dataanalyse, machine learning og deep learning. Forløbet er designet, så du gradvist opbygger både tekniske færdigheder og forståelse for, hvordan moderne AI-løsninger udvikles i praksis.

Mellem modulerne arbejder du selvstændigt med opgaver, cases og refleksion, der konsoliderer læringen og gør dig klar til næste niveau. Kurset afsluttes med, at du kan bygge, evaluere og forklare avancerede AI-modeller i Python.

Modul 1 – Python Programmering: Grundlæggende koncepter (3 dage)

Beskrivelse

Første modul giver dig et solidt fundament i Python – et moderne, fleksibelt og læsevenligt programmeringssprog, der anvendes bredt inden for automatisering, dataanalyse, systemudvikling og AI.

Du lærer sprogets grundlæggende opbygning og arbejder hands-on med at skrive, strukturere og genbruge kode. Der lægges vægt på både klassiske programmeringskoncepter og de såkaldt pythonske konstruktioner, som gør Python særligt effektivt.

Centralt indhold

• Pythons datatyper: tal, strenge, lister, arrays og dictionaries
• Kontrolstrukturer: if-sætninger, løkker og funktioner med parametre
• Kodens struktur: moduler, packages og genbrug af kode
• Fejlhåndtering med exceptions og sikker filhåndtering
• Objektorienteret programmering: klasser, objekter og nedarvning
• Pythonisk kode: læsbarhed, stil og best practices
• Regulære udtryk til mønstergenkendelse og validering
• Funktionsabstraktion og dataflow i struktureret kode

Mellem modul 1 og 2

Hjemmestudie med øvelser og mindre opgaver, der træner grundlæggende Python-færdigheder og forbereder dig på databehandling.

Modul 2 – Python & Dataanalyse (2 dage)

Beskrivelse

I modul 2 lærer du at bruge Python som et effektivt værktøj til dataanalyse og rapportering. Du arbejder med de centrale biblioteker i data science-økosystemet og lærer at håndtere, analysere og visualisere data.

Undervisningen foregår hands-on i fx Jupyter Notebook, og der arbejdes med realistiske cases, som afspejler typiske analyseopgaver i praksis.

Centralt indhold

• Opsætning af analyse-miljø (IDE/Jupyter Notebook)
• Indlæsning og lagring af data i forskellige formater
• Dataanalyse med Pandas DataFrames og Series
• Beregninger og transformationer med NumPy
• Dataklargøring og datarensning (inkl. manglende værdier og tekstdata)
• Data-visualisering med Matplotlib og Pandas
• Arbejde med tidsserier og større datasæt

Mellem modul 2 og 3

Hjemmeopgaver med fokus på datarensning, analyse og visualisering samt refleksion over, hvordan data gøres klar til machine learning.

Modul 3 – Machine Learning Fundamentals (3 dage)

Beskrivelse

Dette modul introducerer dig til machine learning som metode og teknologi. Du lærer at bygge modeller, der kan lave forudsigelser, klassificere data og finde mønstre – og at vurdere, hvornår forskellige metoder giver mening.

Der arbejdes systematisk med data preparation, modellering, evaluering og optimering, så du får en helhedsforståelse af ML-processen.

Centralt indhold

• Introduktion til machine learning og Python’s ML-økosystem
• Supervised, unsupervised og reinforcement learning
• Data preparation: cleaning, feature engineering og skalering
• Regression og classification med praktiske cases
• Tree-based models: Decision Trees og Random Forest
• Introduktion til Support Vector Machines (SVM)
• Unsupervised learning: clustering og PCA
• Model-evaluering, overfitting og bias-variance tradeoff
• Hyperparameter-tuning og model persistence (gemme/genindlæse modeller)

Mellem modul 3 og 4

Selvstændige øvelser, hvor du træner valg og evaluering af ML-modeller og reflekterer over styrker og begrænsninger ved klassisk machine learning.

Modul 4 – Deep Learning og Neurale Netværk (3 dage)

Beskrivelse

I det afsluttende modul arbejder du med deep learning – kernen i mange moderne AI-løsninger. Du lærer, hvordan neurale netværk er opbygget, og hvordan de kan bruges til bl.a. billed- og tekstklassifikation.

Du bygger og træner dine egne modeller i TensorFlow/Keras og introduceres også til PyTorch. Samtidig lærer du at optimere modellerne og forholde dig kritisk til fortolkning og ansvarlig anvendelse.

Centralt indhold

• Grundprincipper i neurale netværk og aktiveringsfunktioner
• Arkitekturer: feedforward netværk, MLP og CNN
• Praktisk arbejde med TensorFlow/Keras og PyTorch
• Træning af modeller (epochs, batch size, optimizer, loss functions)
• Regularisering, early stopping og valideringsdata
• Hyperparameter-tuning og visualisering med TensorBoard
• Model-fortolkning med SHAP og LIME
• Ansvarlig brug og udfordringer ved produktion af deep learning-modeller

Udbytte af kurset

Efter endt forløb kan du:

• Skrive struktureret og læsbar Python-kode
• Analysere, rense og visualisere data i Python
• Udvikle og evaluere machine learning-modeller
• Bygge og optimere deep learning-modeller
• Forklare modeladfærd og diskutere ansvarlig AI i praksis

Du møder en af disse

Forbehold for ændringer efter publisering