Predictive Analytics - Methoden, Modelle und Anwendungen mit Python

• Einführung in Predictive Analytics
  • Grundlagen und Abgrenzung zu Descriptive & Prescriptive Analytics
  • Typische Anwendungsfälle: Churn Prediction, Absatzprognose, Predictive Maintenance
• Datenaufbereitung und Feature Engineering
  • Datenbereinigung und Umgang mit fehlenden Werten
  • Auswahl und Transformation von Merkmalen
• Modellierung
  • Überblick über gängige Algorithmen: Lineare Regression, Random Forest, Gradient Boosting, SVM, Neuronale Netze
  • Kriterien zur Auswahl des passenden Modells
• Modelltraining und -evaluation
  • Trainings-/Testdatensplit und Cross-Validation
  • Metriken zur Bewertung: Accuracy, Precision, Recall, ROC, RMSE
• Interpretierbarkeit und Visualisierung
  • Feature Importance, SHAP und LIME
  • Visualisierung von Modellen und Ergebnissen
• Deployment und Anwendung
  • Modell-Export und Integration in Anwendungen
  • Automatisierung von Vorhersagen mit Python-Skripten und REST-APIs
• Hands-on: Eigene Vorhersagemodelle bauen
  • Praxisprojekt mit Beispiel-Datensatz
  • Erstellung, Training, Evaluation und Präsentation eines Modells

LernzieleNach Abschluss des Seminars sind Sie in der Lage, eigenständig Predictive-Analytics-Modelle zu entwickeln und in der Praxis anzuwenden. Sie verstehen die grundlegenden Algorithmen, können geeignete Modelle auswählen und bewerten und sind in der Lage, die Ergebnisse fundiert zu interpretieren. Darüber hinaus lernen Sie, wie Modelle in Anwendungen integriert und Vorhersagen automatisiert werden können.ZielgruppenDas Seminar richtet sich an Business-Analyst:innen, Data Scientists sowie an Fach- und Führungskräfte, die Prognosemodelle in ihrem Unternehmen einsetzen möchten. Besonders geeignet ist es für alle, die datenbasierte Entscheidungen optimieren und Vorhersagen produktiv nutzen wollen. Teilnahmevoraussetzungen: Sie benötigen Grundkenntnisse in Statistik und Datenanalyse Sie sollten erste Erfahrungen in Python mitbringen Kenntnisse in Machine Learning sind hilfreich, aber nicht zwingend erforderlich