Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in Data Science for Big Data Analytics
- Data Science Übersicht Big Data Übersicht Datenstrukturen Treiber und Komplexität von Big Data Big Data-Ökosystem und ein neuer Ansatz für die Analyse Schlüsseltechnologien in Big Data Data-Mining-Prozess und -Probleme Assoziation Pattern Mining Datenclustering Ausreißererkennung Datenklassifizierung
Einführung in den Datenanalyse-Lebenszyklus
- Entdeckung Datenvorbereitung Modellplanung Modellbildung Präsentation/Communication der Ergebnisse Operationalisierungsübung: Fallstudie
Ab diesem Zeitpunkt wird der Großteil der Schulungszeit (80 %) für Beispiele und Übungen in R und der damit verbundenen Big-Data-Technologie aufgewendet.
Erste Schritte mit R
- Installieren von R- und Rstudio-Funktionen von R-Sprachobjekten in R-Daten in R-Datenmanipulation Big-Data-Probleme Übungen
Erste Schritte mit Hadoop
- Installieren Hadoop Verstehen Hadoop Modi HDFS MapReduce-Architektur Hadoop Übersicht über verwandte Projekte Schreiben von Programmen in Hadoop MapReduce-Übungen
Integration von R und Hadoop mit RHadoop
- Komponenten von RHadoop Installation von RHadoop und Verbindung mit Hadoop Die Architektur von RHadoop Hadoop Streaming mit R Datenanalyse-Problemlösung mit RHadoop Übungen
Vorverarbeitung und Aufbereitung von Daten
- Datenvorbereitungsschritte Merkmalsextraktion Datenbereinigung Datenintegration und -transformation Datenreduktion – Stichprobenziehung, Auswahl von Merkmalsteilmengen, Dimensionsreduktion Diskretisierung und Binning Übungen und Fallstudie
Explorative Datenanalysemethoden in R
- Deskriptive Statistik, explorative Datenanalyse, Visualisierung – vorbereitende Schritte, Visualisierung einer einzelnen Variablen, Untersuchung mehrerer Variablen, statistische Methoden zur Bewertung, Hypothesentests, Übungen und Fallstudie
Data Visualizations
- Grundlegende Visualisierungen in R-Paketen zur Datenvisualisierung ggplot2, lattice, plotly, lattice Formatieren von Diagrammen in R. Übungen zu erweiterten Diagrammen
Regression (Schätzung zukünftiger Werte)
- Lineare Regression Anwendungsfälle Modellbeschreibung Diagnose Probleme mit linearer Regression Schrumpfungsmethoden, Gratregression, das Lasso Verallgemeinerungen und Nichtlinearität Regressionssplines Lokale Polynomregression Verallgemeinerte additive Modelle Regression mit RHadoop Übungen und Fallstudie
Einstufung
- Die klassifizierungsbezogenen Probleme Bayes'sche Auffrischung Naive Bayes Logistische Regression K-nächste Nachbarn Entscheidungsbaumalgorithmus Neuronale Netze Unterstützungsvektormaschinen Diagnose von Klassifikatoren Vergleich von Klassifizierungsmethoden ScalaBle-Klassifizierungsalgorithmen Übungen und Fallstudie
Beurteilung der Modellleistung und -auswahl
- Bias, Varianz und Modellkomplexität, Genauigkeit vs. Interpretierbarkeit, Bewertung von Klassifikatoren, Maße der Modell-/Algorithmusleistung, Hold-out-Validierungsmethode, Kreuzvalidierung, Optimierung von Algorithmen für maschinelles Lernen mit dem Caret-Paket, Visualisierung der Modellleistung mit Profit-ROC- und Lift-Kurven
Ensemble-Methoden
- Bagging Random Forests Boosting Gradient Boosting Übungen und Fallstudie
Unterstützen Sie Vektormaschinen für Klassifizierung und Regression
- Maximal Margin-Klassifizierer. Unterstützt Vektorklassifizierer. Unterstützt Vektormaschinen. SVMs für Klassifizierungsprobleme. SVMs für Regressionsprobleme
Funktionsauswahl für Clustering Repräsentativbasierte Algorithmen: k-means, k-medoids Hierarchische Algorithmen: agglomerative und divisive Methoden Probabilistische Basisalgorithmen: EM Dichtebasierte Algorithmen: DBSCAN, DENCLUE Clustervalidierung Fortgeschrittene Clustering-Konzepte Clustering mit RHadoop Übungen und Fallstudie
- Zusammenhänge entdecken mit Link-Analyse
Konzepte der Link-Analyse Metriken zur Analyse von Netzwerken Der Pagerank-Algorithmus Hyperlink-induziertes Thema Search Übungen zur Linkvorhersage und Fallstudie
- Assoziationsmuster-Mining
Häufiges Pattern-Mining-Modell Scala Fähigkeitsprobleme beim häufigen Pattern-Mining Brute-Force-Algorithmen Apriori-Algorithmus Der FP-Wachstumsansatz Bewertung von Kandidatenregeln Anwendungen von Assoziationsregeln Validierung und Testdiagnose Assoziationsregeln mit R und Hadoop Übungen und Fallstudie
- Empfehlungsmaschinen aufbauen
Empfehlungssysteme verstehen Data-Mining-Techniken, die in Empfehlungssystemen verwendet werden Empfehlungssysteme mit dem Recommenderlab-Paket Evaluierung der Empfehlungssysteme Empfehlungen mit RHadoop Übung: Empfehlungs-Engine erstellen
- Textanalyse
Schritte zur Textanalyse. Sammeln von Rohtext. Beutel mit Wörtern. Begriffshäufigkeit – Inverse Dokumenthäufigkeit. Bestimmung von Gefühlen. Übungen und Fallstudie
35 Stunden
Erfahrungsberichte (2)
Intensity, Training materials and expertise, Clarity, Excellent communication with Alessandra
Marija Hornis Dmitrovic - Marija Hornis
Kurs - Data Science for Big Data Analytics
The example and training material were sufficient and made it easy to understand what you are doing
