Dieser Kurs bietet eine umfassende Schulung in Regressionsanalyse und Prognosetechniken für die Datenwissenschaft, wobei der Schwerpunkt auf der Programmierung mit Python liegt. Sie werden sich Kenntnisse in Zeitreihenanalyse, Prognosen, linearer Regression und Datenvorverarbeitung aneignen, die es Ihnen ermöglichen, branchenübergreifend datengestützte Entscheidungen zu treffen.

Lernziele: • Erwerb von Fachkenntnissen in den Bereichen Zeitreihenanalyse, Prognosen und lineare Regression. • Erwerben Sie Kenntnisse in der Python-Programmierung für Datenanalyse und Modellierung. • Analysieren Sie die Techniken zur explorativen Datenanalyse, Trenderkennung und zum Umgang mit Saisonalität . • Erarbeiten Sie verschiedene Zeitreihenmodelle und implementieren Sie diese mit Python. • Bereiten Sie Daten für eine genaue lineare Regressionsmodellierung vor und führen Sie die Vorverarbeitung durch. • Lineare Regressionsmodelle prognostizieren und interpretieren, um fundierte Entscheidungen zu treffen. Dieser Kurs umfasst vier Module: Modul 1: Zeitreihenanalyse und Prognosen Modulbeschreibung: Das Modul „Zeitreihenanalyse und Prognosen“ bietet einen umfassenden Überblick über Techniken zur Gewinnung von Erkenntnissen und zur Vorhersage von Trends aus zeitlichen Datenreihen. Sie werden grundlegende Konzepte wie Trenderkennung, Saisonalität und Modellauswahl beherrschen. Anhand praktischer Übungen mit führender Software lernen Sie, Prognosemodelle zu erstellen, zu validieren und zu interpretieren. Durch die Auseinandersetzung mit Fallstudien aus der Praxis und ethischen Überlegungen werden die Teilnehmer befähigt, branchenübergreifend strategische Entscheidungen unter Nutzung der Möglichkeiten der Zeitreihenanalyse zu treffen. Dieses Modul ist ein wertvoller Gewinn für Fachleute, die das Potenzial zeitlicher Daten nutzen möchten. Sie entwickeln Fachkompetenz in der Zeitreihenanalyse und -prognose. Entdecken Sie Techniken zur explorativen Datenanalyse, Zeitreihendekomposition, Trendanalyse und zum Umgang mit Saisonalität. Erwerben Sie die Fähigkeit, zwischen verschiedenen Arten von Mustern zu unterscheiden und deren Auswirkungen auf die Prognose zu verstehen. Modul 2: Zeitreihenmodelle Modulbeschreibung: Zeitreihenmodelle sind leistungsstarke Werkzeuge, die dazu dienen, Muster aufzudecken und zukünftige Trends in sequenziellen Daten vorherzusagen. Durch die Analyse historischer Muster, Trends und saisonaler Schwankungen liefern diese Modelle Einblicke in das Datenverhalten im Zeitverlauf. Mithilfe von Methoden wie ARIMA, exponentieller Glättung und Zustandsraummodellen ermöglichen sie genaue Prognosen und versetzen Entscheidungsträger in verschiedenen Bereichen in die Lage, fundierte Entscheidungen auf der Grundlage datengestützter Vorhersagen zu treffen. Sie erwerben die Fähigkeit, Prognosemodelle für zukünftige Vorhersagen auf der Grundlage historischer Daten zu erstellen. Entdecken Sie verschiedene Prognosemethoden, wie beispielsweise ARIMA-Modelle und saisonale Prognosetechniken, und setzen Sie diese mithilfe der Programmiersprache Python um. Entwickeln Sie die Fähigkeit, maßgeschneiderte Zeitreihen-Prognosestrategien auf der Grundlage von Datenmerkmalen zu formulieren. Modul 3: Lineare Regression – Datenvorverarbeitung Modulbeschreibung: Das Modul „Lineare Regression – Datenvorverarbeitung“ ist ein Grundlagenkurs, der den Teilnehmern wesentliche Fähigkeiten zur Aufbereitung und Optimierung von Daten vor der Anwendung linearer Regressionstechniken vermittelt. Durch praxisorientiertes Lernen werden die Teilnehmer die Bedeutung der Datenqualität, den Umgang mit fehlenden Werten, die Erkennung von Ausreißern und die Skalierung von Merkmalen verstehen. Sie lernen, wie Sie Rohdaten in ein bereinigtes, normalisiertes Format umwandeln, indem Sie sich intensiv mit realen Datensätzen auseinandersetzen, um genaue und zuverlässige Ergebnisse bei linearen Regressionsmodellen zu gewährleisten. Dieses Modul ist entscheidend für den Aufbau solider Grundkenntnisse in der prädiktiven Modellierung und Datenanalyse. Sie erhalten Einblicke in verschiedene Regressionstechniken wie lineare Regression, polynomiale Regression und logistische Regression sowie deren Umsetzung mithilfe der Programmiersprache Python. Identifizieren Sie fehlende Daten und Ausreißer in Datensätzen und wenden Sie geeignete Strategien an, um diese effektiv zu behandeln. Erkennen Sie die Bedeutung der Merkmalsskalierung und -auswahl und lernen Sie, wie Sie Techniken wie Standardisierung und Normalisierung anwenden, um die Konvergenz und Interpretierbarkeit des Modells zu verbessern. Modul 4: Lineare Regression – Modellerstellung Modulbeschreibung: Das Modul „Lineare Regression – Modellerstellung“ vermittelt ein umfassendes Verständnis für die Erstellung von Vorhersagemodellen mithilfe linearer Regressionstechniken. Sie lernen, relevante Merkmale auszuwählen und aufzubereiten, Regressionsalgorithmen anzuwenden und Modellkoeffizienten zu interpretieren. Anhand von Fallstudien aus der Praxis gewinnen Sie Einblicke in die Bewertung der Modellleistung und lernen, wie Sie Parameter für optimale Ergebnisse feinabstimmen. Dieses Modul befähigt Sie, robuste lineare Regressionsmodelle für datengestützte Entscheidungsfindung in verschiedenen Bereichen zu erstellen. Sie werden verstehen, wie Sie relevante Merkmale aus Datensätzen identifizieren und auswählen, um sie in lineare Regressionsmodelle einzubeziehen. Sie erwerben die Fähigkeiten, Modellkoeffizienten zu interpretieren, deren Bedeutung zu erkennen und die Implikationen dieser Koeffizienten für nicht-technische Stakeholder zu vermitteln. Entdecken Sie, wie Sie Modellparameter und Regularisierungstechniken feinabstimmen und Kreuzvalidierung durchführen, um die Generalisierungsfähigkeit des Modells zu verbessern. Zielgruppe: Dieser Kurs richtet sich an angehende Datenwissenschaftler, Analysten und Fachleute, die ihre Fähigkeiten in den Bereichen Regressionsanalyse, Prognosen und Python-Programmierung verbessern möchten. Er eignet sich für alle, die das Potenzial von Zeitreihendaten und prädiktiven Modellen in ihrer beruflichen Laufbahn nutzen möchten. Voraussetzungen für die Teilnehmer: • Grundkenntnisse in der Python-Programmierung. • Vertrautheit mit grundlegenden Konzepten der Datenanalyse. • Ein Verständnis statistischer Konzepte ist von Vorteil, aber nicht zwingend erforderlich. Referenzdateien: Sie haben Zugriff auf Quellcode-Dateien im Abschnitt „Ressourcen“ und auf Übungsdateien im Abschnitt „Lab Manager“. Kursdauer: 5 Stunden 44 Minuten Gesamtdauer: ca. 4 Wochen • Modul 1: Zeitreihenanalyse und Prognosen (1 Woche) • Modul 2: Zeitreihenmodelle (1 Woche) • Modul 3: Lineare Regression – Datenvorverarbeitung (1 Woche) • Modul 4: Lineare Regression – Modellerstellung (1 Woche)