Advanced Analytics

Die Teilnehmenden kennen Methoden, Verfahren und Konzepte aus dem Bereich Data Science und können diese zur datenbasierten Lösung fachlicher Fragestellungen anwenden. Die Teilnehmenden werden durch kleinere praktische Übungen und die Durchführung eines Analyseprojekts in kleinen Gruppen in die Lage versetzt, selbstständig unter Berücksichtigung eines standardisierten Vorgehensmodells für Analyseprojekte wie CRISP-DM oder DASC-PM in einer geeigneten Programmiersprache wie Python oder R datenbasiert mit Hilfe maschineller Lernverfahren Prognosemodelle zu erstellen, deren Prognoseleistung zu beurteilen, ggf. weitere Optimierungen durchzuführen und in betriebswirtschaftlichen Kontexten praktisch anzuwenden. Die Teilnehmenden können ihre Analyseergebnisse angemessen präsentieren und visualisieren.

1. Konzepte
   1.1 Überblick und Abgrenzung Data Science, Machine Learning und verwandte Bereiche
   1.2 Charakteristische Aufgabentypen und Anwendungsszenarien
   1.3 Vorgehensmodelle für Analyseaufgabe
   1.4 Lernformen: Überwachtes, unüberwachtes, bestärkendes Lernen
   1.5 Datenvisualisierung
   1.6 Datenaufbereitung
   1.7 Leistungsbewertung von Analyseergebnissen (Performancemaße, Kreuzvalidierung)
2. Methoden
   2.1 Ausgewählte Methoden für die Klassifikation
   2.2 Ausgewählte Methoden für die Regression
   2.3 Ausgewählte Methoden für die Clusteranalyse
   2.4 Ausgewählte Methoden für die Ausreißerkennung
   2.5 Ausgewählte Methoden für besondere Daten (Zeitreihen, Text, Bild)