In diesem Modul lernen Sie, wie Sie Datensätze bereinigen und für die Analyse vorbereiten, indem Sie verschiedene Techniken der Datenverarbeitung anwenden. Sie werden mit Web-Scraping-Daten arbeiten und Methoden wie das Umbenennen von Spalten, das Bereinigen von Text mit regulären Ausdrücken und das Entfernen unnötiger Links oder Zeichen anwenden. Sie werden auch lernen, wie man mit fehlenden Daten umgeht, kategorische Werte in numerische Formate konvertiert und Daten normalisiert, um den Datensatz für die weitere Analyse vorzubereiten. In praktischen Übungen üben Sie die Verwendung von Funktionen und Datenmanipulationstechniken, um Rohdaten in ein sauberes und strukturiertes Format umzuwandeln.

In dieser Phase des Capstone-Projekts haben Sie einige wertvolle Kenntnisse über die Datenerfassung und Datenverarbeitung erworben. Sie haben auch eine Menge über SQL-Abfragen und Visualisierung gelernt. Herzlichen Glückwunsch! Jetzt ist es an der Zeit, einige Ihrer neuen Kenntnisse anzuwenden und die Techniken der explorativen Datenanalyse (EDA) kennenzulernen, wiederum durch praktische Übungen. Sie können die Datensätze verwenden, die Sie im vorherigen Modul bearbeitet haben. Sollten Sie jedoch Probleme bei der Bearbeitung haben, keine Sorge - wir haben einige saubere Datensätze für Sie vorbereitet, die Sie verwenden können. Sie werden gebeten, drei Übungen zu machen:

In diesem Modul lernen Sie, wie man Regressionsmodelle zur Vorhersage der stündlichen Bike-Sharing-Nachfrage anhand von Wetter- und Zeitdaten erstellt und auswertet. Sie beginnen mit der Konstruktion eines linearen Regressionsmodells und verbessern das Modell anschließend durch die Einbeziehung von Polynom-, Interaktions- und Regularisierungstermini. In praktischen Übungen vergleichen Sie verschiedene Modelle und bewerten deren Leistung anhand von Kennzahlen wie R-Quadrat und RMSE. Sie werden auch den Einfluss von Prädiktorvariablen analysieren, indem Sie deren Koeffizienten untersuchen und visualisieren.

In diesem Modul lernen Sie, wie Sie mit R Shiny eine interaktive Dashboard-Anwendung zur Visualisierung von Bike-Sharing-Nachfrageprognosen erstellen. Sie werden ein Dashboard erstellen, das eine Leaflet-Karte integriert, um die prognostizierte Nachfrage in verschiedenen Städten darzustellen, und es den Nutzern ermöglicht, die Ergebnisse durch interaktive Steuerelemente wie Dropdown-Menüs zu erkunden. Sie werden das Dashboard auch durch die Integration von Datenvisualisierungen mit ggplot2 verbessern, um detaillierte Trends der Bike-Sharing-Nachfrage für ausgewählte Städte anzuzeigen. Durch praktische Übungen werden Sie praktische Erfahrungen im Entwerfen und Verbessern interaktiver Datenanwendungen sammeln.

In diesem letzten Modul konzentrieren Sie sich auf die Präsentation der Ergebnisse Ihres Abschlussprojekts. Sie werden eine umfassende PowerPoint-Präsentation erstellen, die die wichtigsten Schritte Ihrer Analyse, die von Ihnen entdeckten Erkenntnisse und die Ergebnisse Ihrer prädiktiven Modellierung hervorhebt. Sie werden bewährte Verfahren zur Strukturierung und effektiven Kommunikation datengestützter Ergebnisse erlernen. Nachdem Sie Ihre Präsentation vorbereitet haben, reichen Sie Ihr Abschlussprojekt entweder in Form einer mit AI bewerteten oder einer von Fachkollegen begutachteten Arbeit ein.