Inhalte

1. Einführung in Data Science und Maschinelles Lernen

Grundbegriffe und Konzepte der Data Science
Data Driven Mindset als Erfolgsfaktor im Unternehmen.
Voraussetzungen für datengetriebene Unternehmen
Überwachtes und unüberwachtes maschinelles Lernen
Methoden im Supervised und Unsupervised Learning
Wichtige Rollen in Data-Science-Projekten
Welche Infrastruktur wird für Data-Science-Projekte benötigt?

2. Der CRISP-DM-Cycle als Standard in der Datenanalyse

Business Understanding: Ziele, Anforderungen, Fragen
Data Understanding: Datenstruktur und Datenqualität
Data Preparation: Daten bereinigen, filtern, formatieren
Modeling: Datenmodelle entwickeln und validieren
Evaluation: Modelle überprüfen und an Geschäftszielen ausrichten
Deployment: Modelle für die Datenanalyse in Betrieb nehmen

3. Alle Phasen des Datenprojekts im Detail erklärt

Explorative Datenanalyse und ihre Darstellungsformen
Lageparameter und Streuungsparameter
Lineare und nichtlineare Zusammenhänge erkennen
Die Relevanz von Daten beurteilen
Daten bereinigen und vorbereiten
Modeling: Klassifikation, Regression und Clustering
Das Modell evaluieren und in Produktion bringen