Am Ende dieses Moduls werden die Lernenden wesentliche Fähigkeiten im Umgang mit verschiedenen Arten von Daten erwerben. Sie haben ein solides Verständnis für die Grundlagen der Python-Programmierung, einschließlich Datenstrukturen und Bibliotheken. Sie werden das Laden, Bereinigen und Umwandeln von Daten beherrschen und in der Lage sein, explorative Datenanalysen unter Verwendung von Datenvisualisierungstechniken durchzuführen. Sie erhalten außerdem Einblicke in grundlegende statistische Konzepte, wie Wahrscheinlichkeit, Verteilungen und Hypothesentests.

Am Ende dieses Moduls werden die Lernenden ein umfassendes Verständnis von statistischen Konzepten, Techniken zur Datenexploration und Visualisierungsmethoden erlangen. Die Lernenden entwickeln die Fähigkeit, Muster, Ausreißer und Beziehungen in Daten zu erkennen, fundierte Entscheidungen zu treffen und Hypothesen zu formulieren. Letztendlich werden sie in der Lage sein, Rohdaten in aussagekräftige Erkenntnisse umzuwandeln, ihre Ergebnisse durch Data Storytelling effektiv zu kommunizieren und EDA in verschiedenen realen Anwendungen anzuwenden.

Am Ende dieses Moduls werden die Lernenden die wesentlichen Fähigkeiten erwerben, um Rohdaten, die oft unübersichtlich sind, effektiv in ein strukturiertes und geeignetes Format für fortgeschrittene Analysen umzuwandeln. Sie beherrschen die Techniken für den Umgang mit fehlenden Werten, die Identifizierung von und den Umgang mit Ausreißern, die Kodierung kategorischer Variablen, die Skalierung und Normalisierung numerischer Merkmale und den Umgang mit textuellen oder unstrukturierten Daten. Die Lernenden werden auch in der Lage sein, Dateninkonsistenzen, wie z.B. Duplikate und Fehler, zu erkennen und zu beheben. Die Lernenden sind in der Lage, Daten so zu behandeln, dass sie für weitere Analysen geeignet sind. Nach Abschluss dieses Moduls, Nach Abschluss

Am Ende dieses Moduls werden die Lernenden ein tiefes Verständnis dafür entwickeln, wie man Features erstellt und verbessert, um die Leistung von Machine Learning-Modellen zu optimieren. Sie werden in der Lage sein, relevante Variablen zu identifizieren, neue Merkmale durch Techniken wie One-Hot-Codierung, Binning und Polynomexpansion zu erstellen und wertvolle Informationen aus vorhandenen Daten wie Daten oder Text mit Methoden wie Merkmalsextraktion und Textvektorisierung zu extrahieren. Die Lernenden werden auch das Konzept der Merkmalsskalierung und -normalisierung verstehen, um die Konsistenz und Vergleichbarkeit von Merkmalsbereichen zu gewährleisten. Mit diesen Kenntnissen sind sie in der Lage, Daten effektiv zu formen, ihre Vorhersagekraft zu erhöhen und zum Aufbau robuster, hochleistungsfähiger Pipelines für maschinelles Lernen beizutragen.