In diesem Modul werden grundlegende Techniken der Datenanalyse mit Python und der Pandas-Bibliothek vorgestellt. Sie lernen, wie Sie Daten effizient importieren und mit ihnen arbeiten können, indem Sie DataFrames und Series nutzen, um Datensätze zu manipulieren, zu filtern und zu analysieren. Das Modul deckt grundlegende Konzepte wie Vektorisierung zur Leistungsoptimierung, die Unterscheidung zwischen Attributen und Methoden und die Durchführung deskriptiver Statistiken ab. Darüber hinaus werden Sie Datenvisualisierungstechniken und Segmentierungsmethoden erkunden, um aus strukturierten Daten aussagekräftige Erkenntnisse zu gewinnen.

Dieses Modul konzentriert sich auf die Datenvisualisierung mit Python und behandelt die wichtigsten Werkzeuge und Techniken zur Erstellung effektiver Visualisierungen. Sie werden lernen, Visualisierungen direkt aus Pandas DataFrames und Series zu generieren sowie populäre Bibliotheken wie Matplotlib und Seaborn zu verwenden, um benutzerdefinierte Diagramme zu entwickeln. Das Modul erforscht verschiedene Visualisierungstypen, von grundlegenden Liniendiagrammen und Balkendiagrammen bis hin zu fortgeschrittenen Verteilungs- und kategorialen Plots. Darüber hinaus lernen Sie, wie Sie die Lesbarkeit durch Styling, Anmerkungen und Designentscheidungen verbessern können, um Trends, Muster und Anomalien in Daten hervorzuheben.

Dieses Modul führt in die Statistische Inferenz und die Regressionsmodellierung mit Python ein. Sie werden lernen, Konfidenzintervalle zu konstruieren, Hypothesentests mit T-Tests durchzuführen und Daten mit NumPy zu simulieren. Das Modul deckt sowohl die einfache als auch die multiple lineare Regression ab und führt Sie durch die Modellentwicklung, die Interpretation von Schlüsselmetriken (wie R-Quadrat, p-Werte und Koeffizienten) und die Vorhersage neuer Datenpunkte. Darüber hinaus werden Sie Methoden zur Kodierung kategorischer Variablen erforschen, die Modellleistung mithilfe von Fehlermetriken bewerten und Regressionsmodelle mit Hilfe von großen Sprachmodellen (LLMs) verfeinern.

In diesem Modul wird die Arbeit mit Zeitreihendaten in Python erforscht, wobei der Schwerpunkt auf DateTime-Objekten, Indizierung und Visualisierung liegt. Sie werden lernen, zeitbasierte Daten zu manipulieren, deskriptive Statistiken anzuwenden und Zeitreihen nach wichtigen Datumsmerkmalen zu segmentieren. Das Modul deckt Resampling- und Reshaping-Techniken sowie die Verwendung einfacher und multipler linearer Regression zur Modellierung von Trends und Saisonalität ab. Darüber hinaus werden Sie Prognosemodelle anhand geeigneter Fehlermetriken auswerten, um deren Leistung zu beurteilen.