Modul 2 taucht in die Feinheiten der statistischen Analyse ein, beginnend mit einem gründlichen Verständnis des Konzepts des P-Wertes und seiner Bedeutung als Indikator für Fehler 1. Die Teilnehmer lernen, statistische Tests in Python anzuwenden, um signifikant korrelierte Merkmale zu identifizieren, und erforschen verschiedene Korrelationsmetriken, die auf kategoriale, gemischte und kontinuierliche Merkmale zugeschnitten sind. Dieses Modul legt den Schwerpunkt auf die praktische Anwendung und vermittelt den Studierenden die Fähigkeit, diese Metriken mit Python zu berechnen und zu interpretieren, wodurch ihre Fähigkeit zur Durchführung anspruchsvoller Datenanalysen und zum Ziehen aussagekräftiger Schlussfolgerungen aus komplexen Datensätzen verbessert wird.

Modul 3 bietet einen tiefen Einblick in die Welt der Assoziationsregeln und lehrt die Teilnehmer, wie sie diese Regeln zur Identifizierung wertvoller Merkmalskombinationen, die bestimmte Label-Werte erzeugen, improvisieren können. Die Lernenden beherrschen die Einstellung geeigneter Schwellenwerte für Support und Confidence und gewinnen ein umfassendes Verständnis des Apriori Algorithmus und der Bedeutung von Frequent Itemsets innerhalb dieses Algorithmus. Dieses Modul behandelt die Berechnung gängiger Metriken für Assoziationsregeln und macht die Lernenden mit der relevanten Terminologie vertraut. Darüber hinaus werden die Lernenden die praktische Anwendung von Assoziationsregeln in der Warenkorbanalyse erforschen, einschließlich Strategien für Cross-Selling, Up-Selling und Produktbündelung, wodurch sie mit wertvollen Fähigkeiten für fortgeschrittene datengesteuerte Entscheidungsfindung in Geschäftskontexten ausgestattet werden.

In Modul 4 lernen die Studierenden, Profile von Clustern zu beschreiben und zu interpretieren, und erwerben Kenntnisse in der Bereitstellung der Algorithmen K-Means und K-Modes für Clustering. Sie erforschen die Anwendung der Recency, Frequency, and Monetary (RFM) Analyse, um die wertvollsten Kunden im Einzelhandel zu identifizieren. Das Modul behandelt auch die Technik der einfachen Stichprobe mit der Möglichkeit, Variablen zur Schichtung einzubeziehen, um die Präzision der Datenanalyse zu verbessern. Darüber hinaus wird die Bedeutung der objektiven Validierung von Modellen mithilfe einer Testpartition hervorgehoben, um die Reliabilität und Effektivität der analytischen Modelle in realen Szenarien zu gewährleisten.

Dieses Modul befasst sich mit der Analyse der Bedeutung von Merkmalen beim Maschinellen Lernen und behandelt Shapley-Werte, Methoden zur Feature Selection, statistische Auswertung, Interaktion von Merkmalen, Aliasing und den Algorithmus der kleinsten Quadrate. Die Studierenden werden in der Lage sein, diese Konzepte zu beherrschen, um robuste und interpretierbare Modelle zu erstellen.

In Modul 6 beherrschen die Studierenden die Kunst der Feature Selection beim Maschinellen Lernen, indem sie die Vorwärts- und Rückwärtsselektionsmethode, die All-Possible Subsets-Methode und das Konzept der vollständigen und quasi-vollständigen Trennung erforschen. Die Studierenden lernen außerdem Assoziationsregeln zur Identifizierung von Trennungen kennen, interpretieren Modellparameter und vorhergesagte Wahrscheinlichkeiten und befassen sich mit den Konzepten der Maximum-Likelihood-Schätzung, Quoten und Quotenverhältnissen.

Modul 7 vermittelt den Teilnehmern die Fähigkeit, die Leistungsfähigkeit von baumbasierten Modellen zu nutzen, um verborgene Muster in Ihren Daten aufzudecken. Die Studierenden sind in der Lage, Cluster effektiv zu beschreiben, Algorithmen intelligent zu parametrisieren, Geschäftsregeln aus Baumergebnissen zu konstruieren und Abweichungsmetriken, Entropiewerte und Gini-Indizes für eine optimale Baumkonstruktion zu nutzen.

Modul 8 taucht in das Gebiet der Bewertungsmetriken für Modelle des Maschinellen Lernens ein. Die Studierenden beherrschen die Konzepte von Präzisions- und Recall-Kurven, Lift-Kurven und Receiver-Operating-Characteristics (ROC)-Kurven. Darüber hinaus lernen die Studierenden Methoden zur Berechnung von Wahrscheinlichkeitsschwellenwerten mithilfe der Kolmogorov-Smirnov-Statistik und F1-Scores kennen. Sie werden in der Lage sein, Metriken wie die Fehlklassifizierungsrate, die Fläche unter der Kurve (AUC) und den mittleren quadratischen Fehler (Root Mean Squared Error, RMSE) sowie Techniken zur Berechnung des RMSE und zur Erkennung von stark fehlangepassten Beobachtungen unter Verwendung modellspezifischer Residuen zu erkunden.

Dieses Modul enthält die abschließende Kursbeurteilung, mit der Ihr Verständnis des Kursmaterials und Ihre Fähigkeit, das im Kurs erworbene Wissen anzuwenden, beurteilt werden soll. Lesen Sie das Kursmaterial gründlich durch, bevor Sie den Test ablegen.