Posts getaggt mit Data Science Methodenkurs
Data Science Methodenkurs

Im Data Science Methodenkurs werden Methoden aus dem Bereich Data Science und Machine Learning, sowie die statistischen Grundlagen, die zum Verständnis dieser Methoden nötig sind, vorgestellt. Der Kurs gibt einen breiten Überblick über das Themengebiet, ohne zu tief in die mathematischen Details einzutauchen. Zwei Case Studies am Ende demonstrieren die praktische Umsetzung der gelernten Konzepte.

In diesem Kurs kommt keine explizite Data Science Software wie z.B. R oder Python zum Einsatz. Alle Themen werden allgemein behandelt. Die beigebrachten Methoden, Beispiele und Aufgaben sind unabhängig von der später verwendeten Software.

Der Kurs behandelt folgende Themen:

Statistische Grundlagen

  • Einführung in die deskriptive Statistik und statistische Inferenz (z.B. Hypothesen-Tests und deren Interpretation)

  • Das lineare Regressionsmodell (Aufbau, Anpassung, Annahmen, Goodness of Fit)

  • Generalisierte Lineare Modelle (z.B. Logit - Modell) und generalisierte additive Modelle (z.B. Modellierung nicht-linearer Effekte mit Splines).

  • Gütemaße, Modellwahl und Variablenselektion

  • Wissenswertes: Erläuterung von Problemen und Fallstricken (z.B. Under-/Overfitting, Bias-Varianz-Tradeoff, Kolinearität, Confounder-Variablen, etc.)

Machine Learning Grundlagen

  • Einführung in Data Science und Machine Learning

  • Überblick diverser Machine Learning Algorithmen, insbesondere wird hier kurz der Funktionsweise und Intuition der folgenden Algorithmen kurz erläutert:

    • k-Nearest-Neighbors

    • Lineare und Quadratische Diskriminanzanalyse

    • Support Vector Machines

    • Entscheidungsbäume (Classification and Regression Trees) und Random Forests

    • Neuronale Netze und Deep Learning

    • Ensemble-Methoden: Bagging, Boosting, Stacking.

    • Modellwahl-/ und Validierung: Performance Maße, Trainings- vs. Testfehler und Kreuzvalidierung

  • Praxistipps: Workflow und bewährte Vorgehensweisen für die Entwicklung von Vorhersagemodellen (Erfahrungen aus Kaggle) und Checkliste für eine ordentliche Datenanalyse.

  • Präsentation von zwei Data Science Projekten als Fallbeispiele: Analyse von Flugdaten und die Vorhersage von Überleben beim Titanic-Unglück.

Weiterlesen