+49 (0) 30 5201 4923
info@orb-experts.com
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.
Kein passender Termin dabei? Sprechen Sie uns gerne auf Ihren Wunschtermin an.
