Das populäre Statistikpaket R ist eine im akademischen und beruflichen Umfeld weit verbreitete Open-Source-Software. Es gibt eine wachsende, sehr aktive Community, die für ständige Weiterentwicklung sorgt. Sie lernen die Grundlagen der Anwendung und Programmierung von R kennen. Kursinhalt: R und sein Ökosystem; Installation von R und RStudio; grundlegende Syntax und Datenstrukturen; Einlesen und Aufbereiten von Daten; Auswertung deskriptiver Statistiken; Grundlagen der Regressionsanalyse mit R; Erstellung von Grafiken; Programmieren eigener Funktionen; Arbeiten mit Zusatzpaketen (Packages). Voraussetzungen: sicherer Umgang mit einem Windows-PC sowie das Verständnis von Grundkonzepten der Programmierung.

Im Predictive Modeling (auch Predictive Analytics oder Supervised Machine Learning) verwendet man Statistik, um Ereignisse vorherzusagen. Diese Ereignisse liegen oft in der Zukunft, es kann sich aber auch um andere Arten von unbekannten Ereignissen handeln. Diese Verfahren werden z.B. verwendet, um zu erkennen, wann ein Bauteil mit hoher Wahrscheinlichkeit ausfallen wird. Sie werden die wichtigsten Verfahren und die grundlegenden Konzepte zur Vorhersage kennen lernen und in python anwenden. Darüber hinaus werden Sie das Machine Learning-Tool scikit-learn, XGBoost und pandas zur Datenaufbereitung verwenden. Kursinhalt: Predictive Modeling, Klassifikation und Regression, Verzerrung-Varianz-Dilemma, Entscheidungsbaum, Random Forest, Gradient Boosting (XGBoost), Kreuzvalidierung, Hyperparametertuning, Gütemaße, Undersampling, Datenaufbereitung (Imputation, One-Hot-Encoding, Normalisieren), scikit-learn, pandas.

Im Predictive Modeling (auch Predictive Analytics oder Supervised Machine Learning) verwendet man Statistik, um Ereignisse vorherzusagen. Diese Ereignisse liegen oft in der Zukunft, es kann sich aber auch um andere Arten von unbekannten Ereignissen handeln. Diese Verfahren werden z.B. verwendet, um zu erkennen, wann ein Bauteil mit hoher Wahrscheinlichkeit ausfallen wird. Sie werden die wichtigsten Verfahren und die grundlegenden Konzepte zur Vorhersage kennen lernen und in R anwenden. Darüber hinaus werden Sie das Machine Learning Framework Tidymodels, welches das Preprocessing, Training und Tuning in R vereinfacht, verwenden. Kursinhalt: Predictive Modeling, Klassifikation und Regression, Verzerrung-Varianz-Dilemma, Entscheidungsbaum, Random Forest, Gradient Boosting (XGBoost), Lasso, Neuronales Netz, Kreuzvalidierung, Hyperparametertuning, Gütemaße, Undersampling, Datenaufbereitung (Imputation, One-Hot-Encoding, Normalisieren), Framework Tidymodels. Voraussetzungen: Grundkenntnisse in der R-Programmierung (z.B. durch den Kurs "Einführung in die Statistikprogrammierung mit R")