R - Data Mining

Details

ID 1252816
Dauer 2.0 Tage
Methoden Vortrag mit Beispielen und Übungen.
Vorwissen Allgemeine Kenntnisse der Mathematik
Zielgruppe Datenanalysten

Ziele

Data Mining verstehen
Verstehen Sie die Philosophie von Data Mining und den Data Mining-Kreislauf
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
R und RStudio für Data Mining verwenden
Nutzen Sie in R typische Data Mining-Pakete

Übersicht

Data Mining übertrifft einfache Analysetechniken an Wirkungsweise und Ergebnissen und bietet eine Methodik, die auf erweiterten statistischen und algorithmischen Konzepten des maschinellen Lernens beruht. Es unterstützt die Entwicklung und Gewinnung von wertvollem Unternehmenswissen anhand komplexer Analyseverfahren. Dieses Seminar macht Sie mit den Konzepten von Data Mining in R mit RStudio vertraut und hilft Ihnen bei der Entscheidung und Bewertung in Projekten, die Data Mining einführen helfen. Das Seminar zeigt Ihnen mit Theorie und Beispielen, welche typischen Analyseverfahren in R zur Verfügung stehen und wie gängige Algorithmen 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.

Termine

OPEN
INHOUSE

Zurzeit stehen keine offenen Termine zur Verfügung. Nutzen Sie alternativ die Inhouse‑Option.

Lernen Sie anhand maßgeschneiderter Beispiele und Inhalte – passgenau für Ihre Anforderungen.

Ihre Vorteile im Überblick

  • Flexibles Wunschdatum
  • Maßgeschneiderte Inhalte
  • Intensiver Austausch
  • Hoher Praxisbezug

Comelio Medien

Noch auf der Suche nach weiterführender Literatur? Entdecken Sie passende Fachbücher in unserem Katalog.

Zum Bücherkatalog

Themen

  • Data Mining-Ansatz und Philosophie verstehen
  • R und RStudio für Data Mining einsetzen
  • Wichtige R-Pakete für Data Mining kennenlernen
  • 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

Beschreibung

R bietet für multivariate Analysen und Data Mining eine Vielzahl an Paketen. Nutzen Sie R für Data Mining, um Muster in Daten zu erkennen wie bspw. Gruppen, wichtige Variablen oder Zusammenhänge, die für Klassifikation und Vorhersage genutzt werden können. Dieses Seminar zeigt Ihnen, wie Sie mit RStudio und den gängigen R-Paketen viele Data Mining-Verfahren durchführen können. Es vermittelt Ihnen sowohl die mathematischen Hintergründe der einzelnen Verfahren und zeigt, wie Sie Data Mining praktisch mit R, RStudio und R Data Miner (Rattle) durchführen können.

Services

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

Inhalt

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
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