Data Science / Data Mining / Weka / Data Mining / Konzepte und Techniken

Data Mining - Konzepte und Techniken

ID	1252818
Klassenraum	2 Tage 9:00-16:30
Webinar	4 Tage 9:00-12:30
Methode	Vortrag mit Beispielen und Übungen.
Vorwissen	Allgemeine Kenntnisse der Mathematik
Zielgruppe	Datenanalysten

Data Mining-Ansatz und Philosophie verstehen
Praktische Data Mining-Aufgaben mit der Weka-Software umsetzen
Assoziationsanalyse für einfache Mustererkennung nutzen
Daten klassifizieren mit Entscheidungsbäumen, Naïve Bayes und Bayes Netzen
Daten klassifizieren mit Künstlichen Neuronalen Netzen und Support Vector Machines
Cluster-Analyse für Segmentierung von Daten nutzen

Data Mining verstehen: Verstehen Sie die Philosophie von Data Mining und den Data Mining-Kreislauf anhand der Software Weka
Assoziationsanalyse einsetzen: Führen Sie eine Warenkorbanalyse durch und erkennen Sie wesentliche Häufungen
Daten klassifizieren: Nutzen Sie Entscheidungsbäume, Naïve Bayes und Bayes Netze, um Gruppen zu klassifizieren
Daten mit komplexen Modellen segmentieren: Verwenden Sie Künstliche Neuronale Netze und Support Vector Machines, um Gruppen zu trennen
Cluster-Analyse für Segmentierung von Daten nutzen: Erkennen Sie Gemeinsamkeiten und Gruppen in Ihren Daten

Data Mining Konzepte und Techniken Training

Beschreibung

Informieren Sie sich in diesem Seminar, was Data Mining ist und wie Sie Fragen zu und über Ihre Daten mit Data Mining beantworten können. Nutzen Sie Data Mining im grafischen Open Source-Werkzeug Weka der Universität von Waikato, um Muster in Daten zu erkennen wie bspw. Gruppen, wichtige Variablen oder Zusammenhänge, die für Klassifikation und Vorhersage genutzt werden können.

Spezial

In Data Mining eintauchen und praktisch erleben

Services

Mittagessen / Catering
Hilfe bei Hotel / Anreise
Comelio-Zertifikat
Flexibel: Bis einen Tag vorher kostenlos stornieren

Übersicht

Data Mining Konzepte und Techniken Training Data Mining übertrifft einfache Analysetechniken an Wirkungsweise und Ergebnissen und bietet eine Methodik, die auf erweiterten statistischen und algorithmischen Konzepten des maschinellen Lernens beruht. Dieses Seminar macht Sie mit den Konzepten von Data Mining vertraut und hilft Ihnen bei der Entscheidung und Bewertung in Projekten, die Data Mining einführen helfen. Das Seminar zeigt Ihnen anhand von Theorie und Beispielen in einem Data Mining-Werkzeug nachvollzogen werden können, welche typischen Analyseverfahren zur Verfügung stehen und wie gängige Algorithmen in diesen Verfahren funktionieren. Es sind grundlegende Kenntnisse der Mathematik und Statistik notwendig, die bei Bedarf allerdings auch an den entsprechenden Stellen im Seminar noch einmal wiederholt werden können. Die Theorie wird anhand von Vorträgen und Diskussionen vermittelt und durch praktische Übungen mit dem Open Source-Werkzeug Weka der Universität Waikato ergänzt.

Termine

Wir überarbeiten gerade unsere Webseite und die Seminare. Neue Termine gibt es erst ab 2025. Wir bieten dieses Seminar weiterhin als Inhouse-Seminar für Sie und Ihr Team an.

Inhalt

Data Mining Konzepte und Techniken Seminar

Data Mining-Grundlagen

Statistik, multivariate Statistik und Data Mining – Data Mining-Kreislauf - Daten-Vorverarbeitung: Beschreibende Datenaggregation, Datenbereinigung, Datenintegration und –transformation – Datenreduktion – Diskretisierung und Konzept-Hierarchien – Data Mining und Business Intelligence: Datenbanken, Data Warehouses und OLAP als Basis für Data Mining - Die Open Source-Software Weka als GUI für Data Mining verwenden

Data Mining mit der Assoziationsanalyse

Suchen von häufigen Kombinationen (Frequent Itemset Mining) – Apriori-Algorithmus - Assoziationsregeln und Assoziationsanalyse - Warenkorbanalyse

Data Mining mit Entscheidungsbäumen

Ableitung von Entscheidungsbäumen – Auswahl von Attributen – Beschneidung von Bäumen – Ableitung von Regeln - Gütemaße und Vergleich von Modellen

Data Mining mit Wahrscheinlichkeitstheorie

Wahrscheinlichkeitstheorie und Bayes Theorem –Naïve Bayes-Algorithmus – Bayes Netze

Fortgeschrittene Data Mining-Verfahren für Klassifikation

Künstliche neuronale Netze und der Backpropagation-Algorithmus - Support Vector Machines für linear und nicht-linear trennbare Daten – Klassifikation mit Assoziationsanalyse – Lazy und Eager Learners

Cluster-Analyse

Einführung in die Cluster Analyse – Ähnlichkeits- und Distanzmessung - Varianten und grundlegende Techniken – Partitionierende Methoden: k-Means-Verfahren - Hierarchische Methoden: agglomerative und divisive Verfahren – Weitere Verfahren: Dichte- und Grid-basierte Methoden

Dozent/in

Data Mining Konzepte und Techniken Trainer

Unser Statistik- und Data-Mining-Trainer Marco Skulschus studierte in Wuppertal und Paris Ökonomie und arbeitet schon seit mehr als 10 Jahren als Dozent, Fachbuch-Autor zum Thema Datenbanken und als Business Intelligence-Berater. Zu seinen Kunden zählen Marktforschungsunternehmen oder Behörden wie der Deutsche Bundesrat sowie Abteilungen für die Qualitätssicherung und Prozessoptimierung.

Veröffentlichungen

Grundlagen empirische Sozialforschung ISBN 978-3-939701-23-1
System und Systematik von Fragebögen ISBN 978-3-939701-26-2
Oracle SQL ISBN 978-3-939701-41-5
SQL Server 2012: Data Mining und multivariate Verfahren ISBN 978-3-939701-85-9
SQL und relationale Datenbanken ISBN 978-3-939701-52-1

Projekte

Als Berater und Projektleiter konzipiert Herr Skulschus Business Intelligence-Systeme auf Basis von OLAP und Data Warehouse-Technologien mit MS SQL Server und Oracle mit Berichtskomponenten im Intranet oder MS Excel, statistische Analysen und Data Mining-Modulen. Je nach Aufgabe setzt er R, IBM SPSS oder Minitab ein.

Forschung

Er leitete ein mehrjähriges Forschungsprojekt zur Entwicklung eines Fragebogensystems mit ontologie-basiertem Datenmodell und innovativen Frage-Antwort-Darstellungen. Förderung durch das BMWi und Zusammenarbeit mit verschiedenen Universitäten.