In diesem Modul werden Sie Ihre Fähigkeiten zur Datenverarbeitung mit Python verbessern, indem Sie Techniken zum Bereinigen, Umwandeln und Aufbereiten von Daten für die Analyse erlernen. Sie arbeiten mit realen Datensätzen, um fehlende Werte zu behandeln, Daten zu formatieren und zu normalisieren, numerische Werte zu binden und kategoriale Variablen zu konvertieren. In geführten Übungen wenden Sie diese Fähigkeiten auf die Datensätze für Laptops und Gebrauchtwagenpreise an. Sie erhalten außerdem einen Spickzettel, der Ihnen während des gesamten Lernprozesses als schnelle Referenz dient.

In diesem Modul werden Sie grundlegende Fähigkeiten in der explorativen Datenanalyse (EDA) mit Python erwerben. Sie werden lernen, Berechnungen an den Daten durchzuführen, um grundlegende deskriptive statistische Informationen wie Mittelwert, Median, Modus und Quartilwerte zu berechnen und diese Informationen zu nutzen, um die Verteilung der Daten besser zu verstehen. Sie lernen, Daten zu gruppieren, um Muster besser zu visualisieren, die Pearson-Korrelationsmethode anzuwenden, um zwei kontinuierliche numerische Variablen zu vergleichen, und den Chi-Quadrat-Test anzuwenden, um Assoziationen zwischen kategorialen Variablen zu bewerten und die Ergebnisse zu interpretieren. Außerdem erhalten Sie einen Spickzettel, der als Schnellreferenz für häufig verwendete EDA-Funktionen und -Methoden dient.

In diesem Modul werden Sie die Grundlagen der Modellentwicklung in der Datenanalyse mit Python erkunden. Sie lernen, wie Sie verschiedene Arten von Regressionsmodellen erstellen, visualisieren und auswerten, einschließlich einfacher linearer, multipler linearer und polynomialer Regressionsmodelle, sowie Pipelines zur Rationalisierung Ihrer Arbeitsabläufe. Sie werden auch die Modellleistung mit Hilfe von Schlüsselmetriken und visuellen Tools wie Kerndichteschätzungsplots (KDE) interpretieren. Praktische Übungen vertiefen das Gelernte anhand von praktischen Datensätzen wie Gebrauchtwagen- und Laptop-Preisen. Darüber hinaus dient der Spickzettel als Schnellreferenz für die Erstellung und Bewertung von Vorhersagemodellen.

In diesem Modul verfeinern Sie Ihre Fähigkeiten in der prädiktiven Modellierung, indem Sie lernen, wie Sie Modelle bewerten, abstimmen und für eine optimale Leistung auswählen. Sie werden Konzepte wie Überanpassung, Unteranpassung und die Abstimmung von Hyperparametern mithilfe der Gittersuche untersuchen. Sie werden auch lernen, wie man mit Hilfe der Ridge-Regression Standardfehler reguliert und reduziert, um eine Überanpassung eines Regressionsmodells zu verhindern. In praktischen Übungen werden Sie diese Techniken auf reale Datensätze anwenden, um robuste, verallgemeinerbare Modelle zu erstellen. Ein Spickzettel hilft Ihnen bei der Auswahl der richtigen Tools und Metriken für die Modelloptimierung.

In diesem letzten Modul wenden Sie den gesamten Workflow der Datenanalyse an, vom Import und der Bereinigung von Daten bis hin zur Erstellung und Bewertung von Modellen auf realen Datensätzen. Sie werden ein praktisches Projekt und ein Abschlussprojekt auf der Grundlage von Datensätzen zu Versicherungskosten und Immobilienpreisen durchführen. Im Rahmen des Abschlussprojekts übernehmen Sie die Rolle einer Fachkraft für Datenanalyse bei einem Immobilienfonds, der in Wohnimmobilien investieren möchte. Sie werden mit einem Datensatz arbeiten, der detaillierte Informationen über Hauspreise und verschiedene Merkmale von Immobilien enthält, und Ihre Aufgabe wird es sein, die Daten zu analysieren und Vorhersagen über den Wert von Wohnimmobilien zu treffen. Diese Projekte sollen Ihre Fähigkeiten festigen und Sie auf die Herausforderungen der Datenanalyse in der Praxis vorbereiten. Außerdem werden Sie das abschließende Notizbuch des Projekts zur Bewertung einreichen. Ihre Einsendung wird mit KI bewertet. Schließlich werden Sie in einer Abschlussprüfung das Verständnis und die Anwendung der wichtigsten Konzepte der Datenanalyse unter Beweis stellen.