Portal für Ausbildung, Weiterbildung, Kurse, Lehrgänge, Seminare

CAS Datenanalyse

Das CAS Datenanalyse vermittelt einen Einstieg in das statistische Denken sowie in klassische und neue Konzepte der Datenanalyse. Die Studierenden lernen in Abhängigkeit der fachlichen Fragestellung (business understanding) und der Art der Daten (Datentyp) Vorgehensweisen und Methoden kennen, um nützliche Erkenntnisse aus den Daten zu extrahieren.

Folgende Fragestellungen stehen im Zentrum des CAS Datenanalyse:

  • Wie können Daten beschrieben und dargestellt werden?
  • Welche Informationen sind in den Daten enthalten, wie werden diese sichtbar gemacht und welche Schlüsse können daraus gezogen werden?
  • Wie und welche Daten sollen erhoben werden?

Das CAS Datenanalyse ist Bestandteil des DAS Data Science und des MAS Data Science.

Zielpublikum:

Das CAS Datenanalyse richtet sich an Personen, die

  • Unternehmensdaten oder öffentliche Daten bearbeiten (z.B. AnalytikerInnen),
  • datengestützte Entscheidungsgrundlagen (Erstellen von Berichten und/oder statistischen Modellen) liefern müssen,
  • Produktions- oder Betriebsprozesse überwachen und regeln,
  • Kundendaten auswerten.
Ziele:

Die Absolventinnen und Absolventen des CAS Datenanalyse

  • können Daten geeignet beschreiben und grafisch darstellen,
  • kennen die statistischen Konzepte der Schätzung, des Hypothesentests sowie Vertrauensintervalls,
  • können statistische Modelle zur Analyse von Daten einsetzen (unter anderem das Poisson-Modell für Zähldaten und das multiple lineare Regressionsmodell für kontinuierliche Daten),
  • können beurteilen, ob Daten zu einem statistischen Modell passen (Residuen-Analyse),
  • können multiple lineare Regressionsmodelle und exponentielle Glätter für die Prognose einsetzen und Prognoseunsicherheiten bestimmen,
  • kennen Methoden zur Strukturentdeckung in Daten, Kriterien zur Klassifizierung und Klassifikationsverfahren.
Inhalt:

Modul A "Statistische Grundlagen der Datenanalyse"

Lernziele

  • Sie können Daten geeignet beschreiben und grafisch darstellen (mit R)
  • Sie erkennen missbräuchliche Anwendungen von grafischen Darstellungen.
  • Sie können mit einfachen statistischen Modellen umgehen.
  • Sie kennen die statistischen Konzepte der Schätzung, des Hypothesentests sowie des Vertrauensintervalls und können sie in der Praxis anwenden (mit R)
  • Sie sind vertraut mit dem Simpson-Paradoxon.

Inhalte

  • Einführung in das zu verwendende Statistikprogram (R mit R-Studio)
  • Datentypen, Verteilung und Kennzahlen
  • Datenvisualisierung
  • Do’s and dont’s der grafischen Darstellung von Daten
  • Statistisches Modell versus Daten
  • Zufallsvariable
  • Schliessende Statistik (Schätzen, Vertrauensintervall, Testen) bei Zähldaten (Poisson- und Binomial-Modell) und bei metrischen Daten (Normalverteilung)
  • zentraler Grenzwertsatz.

Modul B "Multiple Regression und Prognose"

Lernziele

  • Sie können das multiple lineare Regressionsmodell zur Analyse von metrischen Daten (z.B. Messdaten) und zur Prognose einsetzen.
  • Sie können beurteilen, ob das Regressionsmodell zu den Daten passt (Residuen-Analyse).
  • Sie können ein Regressionsmodell Daten gestützt entwickeln.
  • Sie kennen die Eigenheiten von Zeitreihen.
  • Sie können Zeitreihen in ihre Bestandteile zerlegen.
  • Sie können exponentielle Glätter für die Prognose einsetzen und Prognoseunsicherheiten bestimmen.

Inhalte

  • Multiple lineare Regression
  • Modellvielfalt
  • Schätzung der Parameter, Hypothesentest und Vertrauensintervalle
  • Prognose und Prognose-Bereiche, Residuen-Analyse, Variablenselektion, Kreuzvalidierung und Modellbaustrategien
  • Interpretation, Transformationen
  • Was sind Zeitreihen?
  • STL-Zerlegung
  • Autokorrelation
  • Zeitliche Prognosen mit exponentieller Glättung
  • AR-Prozess

Modul C "Clustering und Klassifikation"

Lernziele

  • Sie können gängige Methoden zur Strukturentdeckung in Daten anwenden
  • Sie können einem Objekt mit einer Auswahl von Klassifikationsverfahren Daten gestützt seine Klassenzugehörigkeit ermitteln
  • Sie können die Performance bei einem gegebenen Datensatz ermitteln

Inhalte

  • Hierarchische Cluster-Verfahren
  • Heatmap
  • Klassifikationsbaum
  • Bootstrapping
  • Random Forest
  • Beurteilung eines Klassifikators (Fehlerrate, Sensitivität, Spezifität, etc.)

 


Dieser Kurs hat bereits stattgefunden.
Informieren Sie sich bei uns über Folgedaten.
Datum: Mittwoch, 5. September 2018
Ort: Winterthur, Technoparkstrasse 2
Preis: CHF 5'900.00
Dauer: 5 Monat(e)
Anmeldung bis: 05.08.2018




 

Unverbindlich und kostenlos Unterlagen bei oben ausgewählten Anbietern bestellen. (Datenschutz)

   



 
 

Wir freuen uns, dass Sie dieses Angebot weiterempfehlen.

(E-Mailadresse Empfänger)

 




 
© 2018 by seminare.ch | Portal für Ausbildung & Weiterbildung
QS World MBA Tour Zürich