+49 (0) 30 5201 4923
Tauchen Sie tief in die Welt der Datenanalyse ein mit unserer umfassenden Schulung zu Data Mining und Analyse.
In unserem Kurs "Data Mining und Analyse" werden die Teilnehmer:
• Die Feinheiten der Datenvorverarbeitung und -umwandlung verstehen.
• Praktische Erfahrungen mit statistischen Schlussfolgerungen, Stichproben und Hypothesentests sammeln.
• sich mit fortgeschrittenen Klassifizierungsmethoden und Vergleichen vertraut machen.
• Eintauchen in das Potenzial von neuronalen Netzen, Entscheidungsbäumen und Support-Vektor-Maschinen.
• Sie erforschen Clustering-Techniken und Methoden zur Modellbewertung und -auswahl. Nach diesem 4-tägigen Intensivkurs sind die Teilnehmer bestens gerüstet, um das Potenzial von Big Data zu nutzen und aus riesigen Informationsreservoirs verwertbare Erkenntnisse zu gewinnen.
Grundlegendes Verständnis von IT-Konzepten. Keine Vorkenntnisse in der Datenanalyse erforderlich, aber Vertrautheit mit statistischen Methoden ist von Vorteil.
Grundlegende IT-Kenntnisse: Vertrautheit mit Betriebssystemen, Hardwarekonfigurationen und grundlegenden Netzwerkoperationen.
Optional: Frühere Erfahrungen mit verteilten Systemen sind von Vorteil, aber nicht zwingend erforderlich.
*Wir passen den Kursaufbau und die Inhalte an Ihre spezifischen Anforderungen und relevanten Anwendungsfälle an.
Vorverarbeitung von Daten:
• Datenbereinigung
• Datenintegration und -umwandlung
• Datenreduzierung
• Diskretisierung und Generierung von Konzepthierarchien
Statistische Inferenz:
• Wahrscheinlichkeitsverteilungen, Zufallsvariablen, Zentraler Grenzwertsatz
• Stichprobenziehung und Konfidenzintervalle
• Hypothesentest
• Multivariate lineare Regression
Modellspezifikation und -auswahl:
• Auswahl von Teilmengen
• Schätzung, Validierung und Vorhersage
Klassifizierungsmethoden:
• Logistische Regression
• Lineare Diskriminanzanalyse
• K-Nächste Nachbarn
• Naive Bayes
• Vergleich von Klassifizierungsmethoden
Neuronale Netze:
• Anpassungs- und Trainingsprobleme
Entscheidungsbäume:
• Regression und Klassifikationsbäume
• Vergleich von Bäumen und linearen Modellen
Ensemble-Methoden:
• Bagging, Zufallsforste, Boosting
Support-Vektor-Maschinen:
• Maximal Margin Klassifikator
• Support-Vektor-Klassifikatoren und -Maschinen
• Mehrklassen-SVMs
HauptkomponentenanalyseClustering:
• K-means und K-medoids Clustering
• Hierarchisches und dichtebasiertes Clustering
Modellbewertung und -auswahl:
• Verzerrung, Varianz, Modellkomplexität
• Vorhersagefehler in der Stichprobe
• Bayesscher Ansatz
• Kreuzvalidierung und Bootstrap-Methoden
Praxisnahes Lernen mit erfahrenen Trainern an Ihrem Standort für Organisationen.
Neue Fähigkeiten erlernen, angeleitet von erfahrenen Trainern von überall.
