-
Die teilnehmende Person hat Kenntnisse in Python (beispielsweise durch den Besuch des Seminars "Python - Grundlagen")
-
Sie kann ein Python Skript öffnen, editieren und in Spyder oder Jupyter Notebook ausführen
-
Sie kann Daten von der Festplatte mit Python einlesen (pandas)
-
Sie kennt normalverteilte Zufallsvariablen und weiß, was Erwartungswert, Varianz/Standardabweichung sowie Kovarianz und Korrelation sind.
Hier sind Sie richtig, wenn Sie ...
-
mit Python Daten verarbeiten wollen, um Risiken früh zu erkennen (Vorhersagemodelle) oder Evidenzen über Wirkungszusammenhänge zu schaffen (Erklärungsmodelle).
-
für metrische Variablen die lineare Regression, Regressionsbäume und künstliche neuronale Netze (KNN) als mögliche Modelle beherrschen wollen.
-
für kategoriale Variablen die logistische Regression, Entscheidungsbäume und künstliche neuronale Netze (KNN) als mögliche Modelle anwenden wollen.
-
das Standardvorgehensmodell CRISP-DM und die KI-Verordnung in ihrer Relevanz kennenlernen möchten.
-
wesentliche Methoden des überwachten Lernens (supervised learning) beherrschen wollen.
Sie ...
-
können grundlegende ökonometrische und Machine Learning Methoden anwenden und auswerten.
-
können darauf basierende Forschungsergebnisse interpretieren.
-
können selbständig Data Mining nach dem CRISP durchführen.
-
können in Praxis und Forschung etablierte Python Pakete einsetzen.
-
verfügen über lauffähige Skripte und können diese an Ihre Bedürfnisse adaptieren.
-
Wie funktionieren lineare Regression, Regressionsbäume und neuronale Netze?
-
Wie lassen sich dadurch Funktionen Y=f(X) maschinell lernen, wenn Y metrisch ist?
-
Wie unterscheiden sich davon logistische Regression, Entscheidungsbäume und neuronale Netze für kategoriale Variablen?
-
Worauf muss ich beim Einsatz der Modelle achten?
-
Wie verhindere ich, dass ich beispielsweise auf Spurious Regressions hereinfalle?
-
Wie bewerkstellige ich den Einsatz der Modelle in der Praxis?