Der Kurs "Regressionsanalyse" vermittelt den Teilnehmern die grundlegenden Konzepte einer der wichtigsten Methoden des überwachten Lernens, der Regression. Die Teilnehmer lernen verschiedene Regressionstechniken kennen und erfahren, wie sie diese effektiv auswerten können. Darüber hinaus erwerben die Teilnehmer Kenntnisse in fortgeschrittenen Themen wie polynomiale Regression, Regularisierungstechniken (Ridge, Lasso und Elastic Net), Kreuzvalidierung und Ensemble-Methoden (Bagging, Boosting und Stacking). Durch interaktive Tutorien und praktische Fallstudien werden die Studenten praktische Erfahrungen in der Anwendung der Regressionsanalyse auf reale Datenszenarien sammeln. Am Ende dieses Kurses werden die Studenten in der Lage sein: 1. Die Prinzipien und die Bedeutung der Regressionsanalyse beim überwachten Lernen zu verstehen. 2. Die Konzepte und Anwendungen der linearen Regression und ihre Interpretation in realen Datensätzen zu verstehen. 3. Erforschung der polynomialen Regression zur Erfassung nichtlinearer Beziehungen zwischen Variablen. 4. Anwendung von Regularisierungstechniken (Ridge, Lasso und Elastic Net), um Überanpassung zu verhindern und die Generalisierung des Modells zu verbessern. 5. Implementieren Sie Methoden der Kreuzvalidierung, um die Leistung des Modells zu bewerten und die Hyperparameter zu optimieren. 6. Verstehen Sie Ensemble-Methoden (Bagging, Boosting und Stacking) und ihre Rolle bei der Verbesserung der Genauigkeit von Regressionsmodellen. 7. Evaluieren und vergleichen Sie die Leistung verschiedener Regressionsmodelle anhand geeigneter Metriken. 8. Anwendung von Regressionsanalysetechniken auf reale Fallstudien, um datengesteuerte Entscheidungen zu treffen. Während des gesamten Kurses werden die Teilnehmer aktiv an Tutorien und Fallstudien teilnehmen, um ihre Fähigkeiten in der Regressionsanalyse zu stärken und praktische Erfahrungen in der Anwendung von Regressionstechniken auf verschiedene Datensätze zu sammeln. Durch das Erreichen der Lernziele werden die Teilnehmer gut gerüstet sein, um bei Regressionsanalyseaufgaben zu glänzen und fundierte Entscheidungen unter Verwendung von Regressionsmodellen zu treffen.