Data Science Training - Supervised Learning Ein praktischer Einstieg ins überwachte maschinelle Lernen

Begleitende Zusatzmaterialien (KNIME Workflows, Jupyter Notebooks, Erklärvideos) stehen den Lernenden online zur Verfügung. Und wenn in diesemBuch Anna und Karl sich auf Themen des überwachten Lernens konzentrieren, werden wir künftig mit ihnen noch weitere Gebiete der Data Science entdecken.

Einführung, Datenschutz vs. Datensicherheit, Informationsethik.- Datenanalyseprozess CRISP-DM, Data Understanding, Data Preparation, Modeling, Evaluation und Deployment.- Datenqualität, Explorative Datenanalyse (EDA), Feature Engineering.- Naive Bayes und Entscheidungsbaum, Gütekriterien I, Overfitting, Kreuzvalidierung.- Bias vs. Varianz, Ensemble Learning (Random Forest, Gradient Boosted Trees).- Datentransformation und Normalisierung, Künstliche Neuronale Netzwerke.- Verteilungen und synthetische Daten, Hyperparameteroptimierung.- Regression vs. Korrelation, Interpolation vs. Extrapolation, Methode der kleinsten Quadrate.- Lineare und polynomiale (multiple) Regression, Gütekriterien II.- Regularisierung, LASSO, Ridge Regression, Elastic Net.- Logistische Regression, Regression vs. Klassifikation.- Ausblick.