Data Science - R-Programmierung Zertifizierung eLearning

Datenwissenschaft - R-Programmierung Zertifizierung eLearning

Lernen Sie, wie man Wissen und Ideen aus strukturierten und unstrukturierten Daten extrahiert.

KURSÜBERSICHT

R ist eine Programmiersprache und eine freie Softwareumgebung für statistische Berechnungen. Dieser Data-Science-Kurs vermittelt Ihnen verschiedene Datenanalysetechniken mit der Programmiersprache R. Sie werden auch Data Mining, Visualisierung sowie prädiktive und deskriptive Analysetechniken beherrschen.

Während des Kurses erhalten Sie praktische Schulungen, indem Sie verschiedene praxisnahe, branchenbasierte Projekte in den Bereichen Gesundheitswesen, Einzelhandel, Versicherung und vielen anderen umsetzen.

Dieser Data-Science-Kurs ist ein ideales Paket für angehende Datenanalysten, die eine erfolgreiche Karriere in der Analyse/Datenwissenschaft anstreben. Sie werden einen 360-Grad-Überblick über Geschäftsanalysen und R erhalten, indem Sie reale Projekte und Fallstudien nutzen.

WAS IST ENTHALTEN?

• Der Kurs und das Material sind auf Englisch.
• Anfänger - mittleres Niveau
• 1 Jahr Zugang zur selbstgesteuerten Lernplattform 24/7
• 6 Stunden E-Learning-Video-Inhalte
• 40 Stunden empfohlene Studienzeit und Übungen
• Virtuelle Labore, Quizze, Testsimulation, Abschlussprojekte
• Keine Prüfung für den Kurs, aber der Student erhält eine Zertifizierung über den Abschluss der Schulung.

KURSZIELE Sie werden lernen:

Am Ende des Kurses werden Sie in der Lage sein, Folgendes zu nutzen:

• Die verschiedenen R-Diagramme zur Datenvisualisierung
• Die Methode der Hypothesentests zur Steuerung von Geschäftsentscheidungen
• Lineare und nichtlineare Regressionsmodelle sowie Klassifikationstechniken zur Datenanalyse
• Die verschiedenen Assoziationsregeln und der Apriori-Algorithmus
• Clustering-Methoden, einschließlich K-Means, DBSCAN und hierarchisches Clustering.
• Erwerben Sie ein grundlegendes Verständnis der Geschäftsanalytik und der verschiedenen statistischen Konzepte.
• Installiere R, R-Studio und konfiguriere den Arbeitsbereich.
• Beherrsche die R-Programmierung und verstehe, wie die verschiedenen Anweisungen in R ausgeführt werden.
• Verstehen Sie die in R verwendete Datenstruktur und importieren/exportieren Sie Daten.
• Definieren, verstehen und verwenden Sie die verschiedenen Anwendungsfunktionen und DPYR-Funktionen.
• Verstehen Sie die verschiedenen statistischen Konzepte und Hypothesentests.

Wer sollte sich für dieses Programm anmelden?

Es gibt eine steigende Nachfrage nach qualifizierten Data Scientists in allen Branchen, was diesen Data-Science-Zertifizierungskurs für Teilnehmer aller Erfahrungsstufen geeignet macht.

• IT-Profis
• Analytik-Profis
• Softwareentwickler
• Datenwissenschaftler
• Business Intelligence

Es gibt keine formalen Anforderungen für diesen Kurs. Es wird jedoch empfohlen, Folgendes zu haben:

• Grundlagen der Statistik: Ein grundlegendes Verständnis der Statistik (Mittelwert, Median, Standardabweichung usw.) wird helfen, den Kursinhalt zu erfassen, insbesondere beim Erlernen von Datenanalysetechniken.
• Mathematik Grundlagen: Grundlegende mathematische Fähigkeiten, insbesondere in Bereichen wie Algebra und Wahrscheinlichkeit, werden helfen, einige der fortgeschritteneren Themen der Datenanalyse und Modellierung zu verstehen.
• Vertrautheit mit Daten: Ein grundlegendes Verständnis von Datensätzen, Datentypen (numerisch, kategorisch) und Strukturen wie Tabellen wird nützlich sein.

Kursinhalt

Einführung in die Geschäftsanalytik

• Geschäftsentscheidungen und Analytik
• Arten der Geschäftsanalyse
• Anwendungen der Geschäftsanalyse
• Überblick über Data Science

Einführung in die R-Programmierung

• Bedeutung von R
• Datentypen und Variablen in R
• Operationen in R
• Bedingte Anweisungen in R
• Schleifen in R

Datenstrukturen

• Identifizieren von Datenstrukturen
• Demo: Datenstrukturen identifizieren
• Zuweisen von Werten zu Datenstrukturen
• Datenmanipulation
• Demo: Zuweisen von Werten und Anwenden von Funktionen

Datenvisualisierung

• Einführung in die Datenvisualisierung
• Datenvisualisierung mit Grafiken in R
• Ggplot2
• Dateiformate von grafischen Ausgaben R

Statistik für Data Science-I

• Einführung in Hypothesen
• Arten von Hypothesen
• Datenerhebung
• Konfidenz- und Signifikanzniveaus

Statistik für Data Science - II

• Hypothesentest
• Parametrischer Test
• Nichtparametrischer Test
• Hypothesentests über Populationsmittelwerte
• Hypothesentests über die Populationsvarianz
• Hypothesentests über Populationsanteile

Regressionsanalyse

• Einführung in die Regressionsanalyse
• Arten von Regressionsanalysemodellen
• Lineare Regression
• Demo: Einfache lineare Regression
• Nichtlineare Regression
• Demo: Regressionsanalyse mit mehreren Variablen
• Kreuzvalidierung
• Nichtlineare zu lineare Modelle
• Hauptkomponentenanalyse
• Faktorenanalyse

Klassifikation

• Klassifikation und ihre Typen
• Logistische Regression
• Support Vector Machines
• Demo: Naiver-Bayes-Klassifikator
• Demo: Naive Bayes-Klassifikator
• Entscheidung: Baumklassifikation
• Demo: Entscheidungsbaum-Klassifikation
• Random Forest-Klassifikation
• Bewertung von Klassifikator-Modellen
• Demo: K-Fold Kreuzvalidierung

Clustering

• Einführung in das Clustering
• Clusterverfahren
• Demo: K-Means-Clustering
• Demo: Hierarchisches Clustering

Assoziation

Assoziationsregel
Apriori-Algorithmus
Demo: Apriori-Algorithmus