Der Kurs "Datenanalyse-Projekt" befähigt die Teilnehmer, ihre in dieser Specialization erworbenen Kenntnisse und Fähigkeiten bei der Durchführung eines realen Datenanalyseprojekts ihres Interesses anzuwenden. Die Teilnehmer werden verschiedene Richtungen der Datenanalyse erkunden, darunter überwachtes und unüberwachtes Lernen, Regression, Clustering, Dimensionsreduktion, Assoziationsregeln und Ausreißer-Erkennung. In den Modulen lernen die Teilnehmer wesentliche Techniken und Methoden der Datenanalyse kennen und begeben sich auf eine Reise von Rohdaten zu Wissen und Intelligenz. Nach Abschluss des Kurses sind die Teilnehmer in der Lage, ihr Fachwissen in verschiedenen Projekten anzuwenden und datengesteuerte Entscheidungen zu treffen. Am Ende des Kurses sind die Teilnehmer in der Lage: 1. Die grundlegenden Konzepte und Methoden der Datenanalyse in verschiedenen Richtungen zu verstehen, einschließlich überwachtem und unüberwachtem Lernen, Regression, Clustering, Dimensionsreduktion, Assoziationsregeln und Ausreißer-Erkennung. 2. Definieren Sie den Umfang und die Richtung eines Datenanalyseprojekts und identifizieren Sie geeignete Techniken und Methoden, um die Projektziele zu erreichen. 3. Anwendung verschiedener Klassifizierungsalgorithmen wie Nächste Nachbarn, Entscheidungsbäume, SVM, Naive Bayes und Logistische Regression für Aufgaben der Vorhersagemodellierung. 4. Implementierung von Kreuzvalidierung und Ensemble-Techniken zur Verbesserung der Leistung und Verallgemeinerbarkeit von Klassifizierungsmodellen. 5. Wenden Sie Algorithmen zur Regression an, darunter einfache lineare, polynomiale lineare und lineare mit Regularisierung, um numerische Ergebnisse zu modellieren und vorherzusagen. 6. Durchführung von multivariater Regression und Anwendung von Kreuzvalidierung und Ensemble-Methoden in der Regressionsanalyse. 7. Erforschen Sie Clustering-Techniken, einschließlich Partitionierung, hierarchische, dichtebasierte und gitterbasierte Methoden, um zugrundeliegende Muster und Strukturen in Daten zu entdecken. 8. Wenden Sie die Hauptkomponentenanalyse (PCA) zur Dimensionsreduktion an, um hochdimensionale Daten zu vereinfachen und bei der Datenvisualisierung zu helfen. 9. Nutzen Sie die Algorithmen Apriori und FPGrowth, um Assoziationsregeln zu ermitteln und interessante Assoziationen zwischen Elementen in Transaktionsdaten zu entdecken. 10. Anwendung von Methoden zur Erkennung von Ausreißern, einschließlich Zscore, IQR, OneClassSVM, Isolation Forest, DBSCAN und LOF, um anomale Datenpunkte und kontextuelle Ausreißer zu identifizieren. Während des gesamten Kurses werden die Teilnehmer aktiv an Tutorien, praktischen Übungen und der Fallstudie des Datenanalyseprojekts teilnehmen und so praktische Erfahrungen mit verschiedenen Datenanalysetechniken sammeln. Durch das Erreichen der Lernziele werden die Teilnehmer gut gerüstet sein, um in Datenanalyseprojekten zu glänzen und datengesteuerte Entscheidungen in realen Szenarien zu treffen.