Einführung in Predictive Modelling mit R

Seminarziel

Am Ende des Seminars sind die Teilnehmenden in der Lage, Predictive Modelling mit R umfassend zu nutzen, um datengetriebene Entscheidungen zu treffen und Vorhersagemodelle zu erstellen.

Inhalt

• Einführung in Predictive Modelling und R
  • Definition und Konzepte: Erklärung, was Predictive Modelling ist, seine Bedeutung und Anwendungsbereiche; Überblick über die Programmiersprache R und ihre Vorteile für Predictive Modelling.
  • Einrichtung der Entwicklungsumgebung: Schritt-für-Schritt-Anleitung zur Installation und Konfiguration von R und RStudio; Einführung in die RStudio-Oberfläche und grundlegende Funktionen.
• Datenaufbereitung und Vorverarbeitung
  • Datenerfassung und -bereinigung: Methoden zur Erfassung von Daten aus verschiedenen Quellen; Techniken zur Datenbereinigung, Umgang mit fehlenden Werten und Erkennung von Ausreißern.
  • Feature Engineering: Erstellung neuer Features aus Rohdaten; Techniken wie Skalierung, Normalisierung und One-Hot-Encoding; Bedeutung von Feature Selection und Reduktion.
• Explorative Datenanalyse (EDA)
  • Datenvisualisierung: Nutzung von ggplot2 und anderen Visualisierungsbibliotheken zur Darstellung von Verteilungen, Zusammenhängen und Trends in den Daten.
  • Statistische Analyse: Durchführung statistischer Analysen zur Identifikation von Zusammenhängen und Mustern in den Daten; Berechnung von Kennzahlen wie Mittelwert, Median und Standardabweichung.
• Modellauswahl und -training
  • Auswahl von ML-Algorithmen: Überblick über verschiedene Machine Learning-Algorithmen für Predictive Modelling, wie Lineare Regression, Entscheidungsbäume und KNN.
  • Training und Validierung: Techniken zur Modelltraining und -validierung, einschließlich Hyperparameter-Optimierung und Kreuzvalidierung; Einführung in Caret und andere R-Pakete für Modelltraining.
• Modellbewertung und -optimierung
  • Modellbewertung: Anwendung von Metriken zur Bewertung der Modellleistung, wie Genauigkeit, Präzision, Recall, F1-Score und ROC-AUC; Nutzung von Confusion Matrix zur Fehleranalyse.
  • Modelloptimierung: Techniken zur Verbesserung der Modellleistung, wie Regularisierung, Feature-Selektionsverfahren und Ensemble-Methoden; Einführung in Boosting und Bagging.
• Zeitreihenanalyse und Prognosemodelle
  • Datenvorbereitung für Zeitreihen: Vorbereitung von Zeitreihendaten für die Modellierung; Techniken wie Glättung, Differenzierung und Saisonalitätsanpassung.
  • Erstellung und Bewertung von Prognosemodellen: Anwendung von Modellen wie ARIMA, Exponential Smoothing und Prophet zur Zeitreihenprognose; Bewertung der Modellleistung mit spezifischen Zeitreihenmetriken.
• Unüberwachtes Lernen und Clustering
  • Clustering-Methoden: Einführung in Clustering-Algorithmen wie K-Means, DBSCAN und Hierarchical Clustering; Anwendung dieser Algorithmen zur Segmentierung von Daten.
  • Dimensionalitätsreduktion: Nutzung von Techniken wie PCA (Principal Component Analysis) und t-SNE zur Reduktion der Datenkomplexität und Verbesserung der Modellinterpretierbarkeit.
• NLP und Textanalyse
  • Vorverarbeitung von Textdaten: Techniken zur Tokenisierung, Stemming, Lemmatization und Entfernung von Stoppwörtern; Nutzung von R-Paketen wie tm und text2vec.
  • Modellierung und Analyse: Anwendung von Methoden wie TF-IDF, Word2Vec und LDA zur Textklassifikation und -analyse; Implementierung und Bewertung von NLP-Modellen.
• Modell-Deployment und -Überwachung
  • Modell-Deployment: Bereitstellung von ML-Modellen in Produktionsumgebungen; Nutzung von Tools wie Plumber für die Erstellung von R-APIs.
  • Überwachung und Wartung: Implementierung von Überwachungsmechanismen zur Verfolgung der Modellleistung in der Produktion; Techniken zur Modellaktualisierung und -wartung.
• Praxisbeispiele und Best Practices
  • Implementierung eines Predictive Modelling-Projekts: Durchführung eines Beispielprojekts zur Anwendung der erlernten Techniken und Methoden; Schritt-für-Schritt-Anleitung von der Planung bis zur Umsetzung.
  • Erfahrungsberichte und Best Practices: Präsentation realer Fallstudien und Best Practices zur erfolgreichen Implementierung und Nutzung von Predictive Modelling mit R in verschiedenen Anwendungsbereichen.