Dieses Modul zielt darauf ab, ein umfassendes Verständnis von Datenkonzepten zu vermitteln, die verschiedene Bereiche abdecken. Die Teilnehmer werden lernen, zwischen verschiedenen Datentypen, Attributen und Merkmalen zu unterscheiden. Sie werden die grundlegenden Prinzipien und Methoden des Data Mining erforschen, die sie in die Lage versetzen, sinnvolle Erkenntnisse aus Datensätzen zu gewinnen. Durch die Beherrschung dieser Ziele werden die Lernenden mit dem Wissen und den Fähigkeiten ausgestattet, die erforderlich sind, um Daten effektiv zu analysieren und fundierte Entscheidungen in verschiedenen beruflichen Bereichen zu treffen.

In diesem Modul werden wir uns mit der Dimensionalitätsreduktion befassen, einer Technik zur Vereinfachung komplexer Datensätze, die eine effiziente Analyse und Visualisierung ermöglicht. Durch die Implementierung von Methoden zur Dimensionalitätsreduktion wie der Hauptkomponentenanalyse (PCA) und der t-Distributed Stochastic Neighbor Embedding (t-SNE) erhalten wir einen Einblick in die effektive Reduzierung der Anzahl von Merkmalen unter Beibehaltung wesentlicher Informationen. Wir lernen, die am besten geeigneten Dimensionalitätsreduktionstechniken auf der Basis von Datentypen und Analysezielen auszuwählen und anzuwenden, um so die Leistung und Interpretierbarkeit des Modells zu verbessern. Dieses Modul vermittelt die Werkzeuge zur Navigation und Gewinnung aussagekräftiger Erkenntnisse aus hochdimensionalen Datensätzen und ebnet den Weg für eine effektivere Datenanalyse und Entscheidungsfindung.

In diesem Modul lernen wir das Konzept des Bias-Varianz-Abgleichs beim Maschinellen Lernen kennen. Das Streben nach Modellen, die sich gut verallgemeinern lassen, erfordert ein empfindliches Gleichgewicht zwischen Bias und Varianz, um Underfitting und Überanpassung zu vermeiden. Bias stellt den Fehler dar, der sich aus der zu starken Vereinfachung eines komplexen Problems ergibt, während die Varianz die Empfindlichkeit des Modells gegenüber verschiedenen Untergruppen von Trainingsdaten quantifiziert. Wir untersuchen Strategien zur Bekämpfung von Bias und Varianz bei der Entwicklung von Modellen, die das richtige Gleichgewicht zwischen Genauigkeit und Verallgemeinerung herstellen. Beim Übergang zu Regressionsmetriken betrachten wir praktische Tools zur Messung und Bewertung der Modellleistung bei Regressionsaufgaben, wobei wir uns auf Metriken wie Root Mean Squared Error (RMSE) konzentrieren. Schließlich erkunden wir die Landschaft der Bewertung der Modellleistung bei Aufgaben der Binären Klassifizierung, indem wir fortgeschrittene Maße wie den F1-Score, den Matthews-Korrelationskoeffizienten (Speichercontroller), Propensity Scores und die AUC-ROC-Kurve untersuchen.