R - Data Mining

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

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.

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

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

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 (Comelio Medien)
978-3-939701-23-1
System und Systematik von Fragebögen (Comelio Medien)
978-3-939701-26-2
Oracle SQL (Comelio Medien)
978-3-939701-41-5
SQL Server 2012: Data Mining und multivariate Verfahren (Comelio Medien)
978-3-939701-85-9
SQL und relationale Datenbanken (Comelio Medien)
978-3-939701-52-1

Projekte

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.

Forschung

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.

Zertifikate

Marco Skulschus ist zertifiziert als "Microsoft Certified Trainer" und "Oracle Certified Associate" und hat die ComptiaCTT+ Prüfung absolviert.

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