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
