Dieser Kurs richtet sich an alltägliche Menschen, die einen intuitiven, einsteigerfreundlichen Einstieg in die Welt des maschinellen Lernens und der Datenwissenschaft suchen. Anstatt komplexe Mathematik auswendig zu lernen oder Code zu schreiben, verwenden wir einfache, visuelle Beispiele und Excel-basierte Modelle, um grundlegende Konzepte des maschinellen Lernens aufzuschlüsseln und Ihnen dabei zu helfen, ein Gespür dafür zu entwickeln, wie sie genau funktionieren. TEIL 1: QA & Data Profiling In Teil 1 führen wir in den Workflow des maschinellen Lernens und in gängige Techniken zur Reinigung und Vorbereitung von Rohdaten für die Analyse ein. Wir erkunden die univariate Analyse mit Häufigkeitstabellen, Histogrammen, Kernel-Dichten und Profiling-Metriken und tauchen dann in multivariate Profiling-Tools wie Heatmaps, Violin- und Box-Plots, Streudiagramme und Korrelationsmatrizen ein. TEIL 2: Klassifizierungsmodellierung In Teil 2 führen wir in die Landschaft des überwachten Lernens ein, überprüfen den Klassifizierungs-Workflow und behandeln Schlüsselthemen wie abhängige vs. unabhängige Variablen, Feature-Engineering, Datensplitting und Overfitting. FROM werden wir gängige Klassifizierungsmodelle wie K-Nearest Neighbors (KNN), Naïve Bayes, Entscheidungsbäume, Random Forests, logistische Regression und Sentiment-Analyse besprechen und Tipps zur Modellbewertung, -auswahl und -optimierung geben. TEIL 3: Regression & Prognose In Teil 3 werden wir Kernbausteine wie lineare Beziehungen und kleinste quadratische Fehler einführen und deren Anwendung auf univariate, multivariate und nichtlineare Regressionsmodelle üben. Wir besprechen Diagnosemetriken wie R-Quadrat, mittlerer Fehler, F-Signifikanz und P-Werte und verwenden dann Zeitreihenvorhersagetechniken, um Saisonalität zu erkennen, nichtlineare Trends vorherzusagen und die Auswirkungen wichtiger Geschäftsentscheidungen mithilfe von Interventionsanalysen zu messen. TEIL 4: Unüberwachtes Lernen In Teil 4 untersuchen wir die Unterschiede zwischen überwachtem und unüberwachtem maschinellem Lernen und stellen mehrere gängige unüberwachte Techniken vor, darunter Clusteranalyse, Assoziationsanalyse, Ausreißererkennung und Dimensionalitätsreduktion. Wir werden jedes Modell in einfachen Begriffen aufschlüsseln, von K-means und Apriori bis hin zur Ausreißererkennung, Hauptkomponentenanalyse usw. Während des gesamten Kurses werden wir reale Szenarien vorstellen, um Schlüsselkonzepte zu festigen und tatsächliche Anwendungsfälle der Datenwissenschaft zu simulieren. Sie werden demografische Daten von Olympiasportlern und Verkehrsunfallraten visualisieren, Regressionen zur Schätzung von Immobilienpreisen und zur Vorhersage von Produktverkäufen verwenden, Clustering-Modelle zur Identifizierung von Kundensegmenten anwenden und sogar die geschäftlichen Auswirkungen eines neuen Website-Designs messen. Wenn Sie ein Analyst oder ein angehender Datenexperte sind, der die Grundlage für eine erfolgreiche Karriere im Bereich des maschinellen Lernens oder der Datenwissenschaft schaffen möchte, ist dies der richtige Kurs für Sie!