Am Ende des Seminars sind die Teilnehmenden in der Lage, Predictive Modelling mit R umfassend zu nutzen, um datengetriebene Entscheidungen zu treffen und Vorhersagemodelle zu erstellen.
Definition und Konzepte: Erklärung, was Predictive Modelling ist, seine Bedeutung und Anwendungsbereiche; Überblick über die Programmiersprache R und ihre Vorteile für Predictive Modelling.
Einrichtung der Entwicklungsumgebung: Schritt-für-Schritt-Anleitung zur Installation und Konfiguration von R und RStudio; Einführung in die RStudio-Oberfläche und grundlegende Funktionen.
Datenaufbereitung und Vorverarbeitung
Datenerfassung und -bereinigung: Methoden zur Erfassung von Daten aus verschiedenen Quellen; Techniken zur Datenbereinigung, Umgang mit fehlenden Werten und Erkennung von Ausreißern.
Feature Engineering: Erstellung neuer Features aus Rohdaten; Techniken wie Skalierung, Normalisierung und One-Hot-Encoding; Bedeutung von Feature Selection und Reduktion.
Explorative Datenanalyse (EDA)
Datenvisualisierung: Nutzung von ggplot2 und anderen Visualisierungsbibliotheken zur Darstellung von Verteilungen, Zusammenhängen und Trends in den Daten.
Statistische Analyse: Durchführung statistischer Analysen zur Identifikation von Zusammenhängen und Mustern in den Daten; Berechnung von Kennzahlen wie Mittelwert, Median und Standardabweichung.
Modellauswahl und -training
Auswahl von ML-Algorithmen: Überblick über verschiedene Machine Learning-Algorithmen für Predictive Modelling, wie Lineare Regression, Entscheidungsbäume und KNN.
Training und Validierung: Techniken zur Modelltraining und -validierung, einschließlich Hyperparameter-Optimierung und Kreuzvalidierung; Einführung in Caret und andere R-Pakete für Modelltraining.
Modellbewertung und -optimierung
Modellbewertung: Anwendung von Metriken zur Bewertung der Modellleistung, wie Genauigkeit, Präzision, Recall, F1-Score und ROC-AUC; Nutzung von Confusion Matrix zur Fehleranalyse.
Modelloptimierung: Techniken zur Verbesserung der Modellleistung, wie Regularisierung, Feature-Selektionsverfahren und Ensemble-Methoden; Einführung in Boosting und Bagging.
Zeitreihenanalyse und Prognosemodelle
Datenvorbereitung für Zeitreihen: Vorbereitung von Zeitreihendaten für die Modellierung; Techniken wie Glättung, Differenzierung und Saisonalitätsanpassung.
Erstellung und Bewertung von Prognosemodellen: Anwendung von Modellen wie ARIMA, Exponential Smoothing und Prophet zur Zeitreihenprognose; Bewertung der Modellleistung mit spezifischen Zeitreihenmetriken.
Unüberwachtes Lernen und Clustering
Clustering-Methoden: Einführung in Clustering-Algorithmen wie K-Means, DBSCAN und Hierarchical Clustering; Anwendung dieser Algorithmen zur Segmentierung von Daten.
Dimensionalitätsreduktion: Nutzung von Techniken wie PCA (Principal Component Analysis) und t-SNE zur Reduktion der Datenkomplexität und Verbesserung der Modellinterpretierbarkeit.
NLP und Textanalyse
Vorverarbeitung von Textdaten: Techniken zur Tokenisierung, Stemming, Lemmatization und Entfernung von Stoppwörtern; Nutzung von R-Paketen wie tm und text2vec.
Modellierung und Analyse: Anwendung von Methoden wie TF-IDF, Word2Vec und LDA zur Textklassifikation und -analyse; Implementierung und Bewertung von NLP-Modellen.
Modell-Deployment und -Überwachung
Modell-Deployment: Bereitstellung von ML-Modellen in Produktionsumgebungen; Nutzung von Tools wie Plumber für die Erstellung von R-APIs.
Überwachung und Wartung: Implementierung von Überwachungsmechanismen zur Verfolgung der Modellleistung in der Produktion; Techniken zur Modellaktualisierung und -wartung.
Praxisbeispiele und Best Practices
Implementierung eines Predictive Modelling-Projekts: Durchführung eines Beispielprojekts zur Anwendung der erlernten Techniken und Methoden; Schritt-für-Schritt-Anleitung von der Planung bis zur Umsetzung.
Erfahrungsberichte und Best Practices: Präsentation realer Fallstudien und Best Practices zur erfolgreichen Implementierung und Nutzung von Predictive Modelling mit R in verschiedenen Anwendungsbereichen.
Dauer/zeitlicher Ablauf:
2 Tage
Zielgruppe:
Dieses Seminar richtet sich an Data Scientists, Statistiker, Analysten und alle, die Predictive Modelling mit R erlernen möchten. Grundlegende Kenntnisse in R und Statistik sind von Vorteil.
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
