ür die Anwendung von komplexen Analysen sind grundlegendes statistisches Wissen sowie Kenntnisse der wichtigsten Machine-Learning-Verfahren erforderlich. Dies bildet die Grundlage für das Verstehen von Zusammenhängen, den Einsatz der richtigen Analysetools und die Ableitung valider Prognosen. Diese Themen erwarten Sie: u. a. Grundlagen von Data Science, Machine Learning und Künstlicher Intelligenz, Anwendungsfälle für Segmentierung, Regression und Klassifikation, Feature Engineering, lineare und nichtlineare Machine-Learning-Verfahren.

Inhalte

Methodische Grundlagen zu Predictive Analytics und Machine Learning

Segmentierung.
Regression und Klassifikation.
Training und Testing von Machine-Learning-Modellen.
Beliebte Fehler beim Machine Learning.
Identifikation potenzieller Einsatzfelder (z. B. in Controlling, Marketing, Sales, Produktion).

Datenbeschaffung und -aufbereitung als Grundlage für Predictive Analytics und Machine Learning

Zusammenführung und Bereinigung von Rohdaten.
Datenaufbereitung für das Machine Learning.
Datenexploration und -visualisierungen.
Feature Engineering und Selektion.
Cross Validation.

Konkrete Projekte, Tools und Case Studies

Einblick in wesentliche Verfahren anhand von Fallstudien.
Erläuterung der gängigsten Machine-Learning-Verfahren.
Zeitreihenanalysen.
Praktische Übungen mit Machine Learning Tools.
Übung zum Clustering von Kundensegmenten.
Übung zu Prognoseverfahren.

Aktuelle Trends und Entwicklungstendenzen