Data Science Datenvorbereitung Qualitatssicherung Excel
What you’ll learn
Grundlegende Fähigkeiten im Bereich maschinelles Lernen in Excel und Data Science aufbauen, ohne komplexen Code zu schreiben
Data Science: Vorbereiten von Rohdaten (in Excel) für die Analyse mit QA-Tools wie Variablentypen, Bereichsberechnungen und Tabellenstrukturen
Beschreibung und Visualisierung von Verteilungen mit Histogrammen, Kerndichten, Heatmaps und Violin-Plots (in Excel)
Verwendung intuitiver, benutzerfreundlicher Tools wie Microsoft Excel zur Einführung und Enthüllung von Tools und Techniken des maschinellen Lernens
Data Science: Analysieren von Datensätzen unter Verwendung gängiger univariater und multivariater Profiling-Metriken (in Excel)
Data Science: Untersuchen Sie multivariate Beziehungen mit Streudiagrammen und Korrelationen (in Excel)
Requirements
Dies ist ein einsteigerfreundlicher Kurs (keine Vorkenntnisse oder Mathe-/Statistikkenntnisse erforderlich)
Wir werden Microsoft Excel (Office 365) für einige Kursdemos verwenden, die Teilnahme ist jedoch optional
Description
Data Science – Datenvorbereitung & Qualitätssicherung ExcelEntdecken Sie die Welt des maschinellen Lernens in Excel und bauen Sie grundlegende Data Science & Predictive Analytics Fähigkeiten auf, ohne Code zu schreiben!Dieser Kurs macht Data Science in Excel für den Alltag zugänglich und wurde entwickelt, um leistungsstarke Machine-Learning-Tools und Techniken zu erlernen, ohne zu versuchen, Ihnen gleichzeitig eine Programmiersprache beizubringen.Stattdessen werden wir vertraute, benutzerfreundliche Tools wie Microsoft Excel verwenden, um komplexe Themen aufzuschlüsseln und Ihnen zu helfen, genau zu verstehen, WIE und WARUM maschinelles Lernen funktioniert, bevor Sie in Programmiersprachen wie Python oder R eintauchen. Im Gegensatz zu den meisten Data Science- und Machine Learning-Kursen werden Sie keine einzige Zeile Code schreiben.KURSÜBERBLICK:In diesem Kurs werden wir die Machine-Learning-Landschaft und den Workflow vorstellen und kritische Qualitätssicherung-Tipps für die Reinigung und Vorbereitung von Rohdaten für die Analyse in Excel überprüfen, einschließlich Variablentypen, leere Werte, Bereichs- und Zählberechnungen, Tabellenstrukturen und mehr.Wir behandeln univariate Analysen mit Häufigkeitstabellen, Histogrammen, Kerndichten und Profiling-Metriken und tauchen dann in multivariate Profiling-Werkzeuge wie Heatmaps, Violin- und Box-Plots, Streudiagramme und Korrelationen ein:· Abschnitt 1: Einführung und Landschaft des maschinellen Lernens in Excel – Prozess, Definition und Landschaft des maschinellen Lernens· Abschnitt 2: Vorläufige Daten-Qualitätssicherung – Variablentypen, Leerwerte, Bereichs- und Zählungsberechnungen, linke/rechte Zensierung, etc. (in Excel)· Abschnitt 3: Univariate Profilierung – Histogramme, Häufigkeitstabellen, Mittelwert, Median, Modus, Varianz, Schiefe, usw. (in Excel)· Abschnitt 4: Multivariate Profilierung – Violin- & Box-Plots, Kernel-Dichten, Heatmaps, Korrelation, etc. (in Excel)Im Laufe des Kurses werden wir reale Szenarien vorstellen, die Ihnen helfen sollen, die Schlüsselkonzepte zu festigen und Sie mit tatsächlichen Business Intelligence-Fallstudien zu verbinden. Sie werden Profiling-Metriken verwenden, um Produktbestandsdaten für ein lokales Lebensmittelgeschäft zu bereinigen, Demografien von Olympia-Athleten mit Histogrammen und Kerndichten zu untersuchen, die Häufigkeit von Verkehrsunfällen mit Heatmaps zu visualisieren und vieles mehr.Wenn Sie bereit sind, die Grundlage für eine erfolgreiche Karriere in der Datenwissenschaft zu schaffen, ist dies der richtige Kurs für Sie.Melden Sie sich noch heute an und erhalten Sie sofortigen, lebenslangen Zugang zu Folgendem:- Hochwertige On-Demand-Videos- Praxisnahe Fallstudien in Excel- Ein umfassender Quiz zu jedem Thema- Herunterladbare Excel-Projektdatei- 30 Tage Geld-zurück-GarantieViel Spaß beim Lernen!
Overview
Section 1: Einführung
Lecture 1 Ziele und Kursgliederung
Lecture 2 Erwartungsmanagement
Section 2: Einführung zu ML & Landschaft
Lecture 3 Was ist Maschinelles Lernen (ML)
Lecture 4 ML Prozess
Lecture 5 ML Landschaft
Section 3: Vorläufige Data Qualitätssicherung
Lecture 6 Einführung
Lecture 7 Wofür brauchen wir die Qualitätssicherung?
Lecture 8 Variablentypen
Lecture 9 Leerwerte
Lecture 10 Rechweitenberechnung und Zahlberechnung
Lecture 11 Zensierte Daten und Tabellenstruktur
Lecture 12 FALLSTUDIE: Qualitätssicherung
Lecture 13 Beste Praktiken bei der Qualitätssicherung
Section 4: Univariate Profilierung
Lecture 14 Einführung
Lecture 15 Kategorische Daten
Lecture 16 Diskretisierung
Lecture 17 Kategorische Verteilungen
Lecture 18 Numerische Variablen, Histograme & Kerndichten
Lecture 19 FALLSTUDIE: Histogramme
Lecture 20 Normalverteilung
Lecture 21 FALLSTUDIE: Normalverteilung
Lecture 22 Data Profilierung / Profiling
Lecture 23 Modus
Lecture 24 Mittelwert
Lecture 25 Median
Lecture 26 Perzentile
Lecture 27 Varianz
Lecture 28 Standardabweichung
Lecture 29 Schiefe
Lecture 30 Beste Praktiken Univariate Profilierung
Section 5: Multivariate Profilierung
Lecture 31 Einführung
Lecture 32 Kategorisch-kategorische Verteilung
Lecture 33 FALLSTUDIE: Heatmaps
Lecture 34 Kategorisch-numerische Verteilung
Lecture 35 Multivariate Kerndichte
Lecture 36 Violin Plots
Lecture 37 Box Plots
Lecture 38 Einschränkungen der kategorischen Verteilung
Lecture 39 Numerisch-numerische Verteilung
Lecture 40 Korrelation
Lecture 41 Korrelation versus Kausalität
Lecture 42 Streudiagramme
Lecture 43 FALLSTUDIE: Korrelation
Lecture 44 Beste Praktiken Multivariate Profilierung
Alle, die die Grundlagen des maschinellen Lernens anhand von Demos aus der Praxis und intuitiven, kristallklaren Erklärungen erlernen möchten – Datenanalysten oder BI-Experten, die in die Datenwissenschaft einsteigen oder ein grundlegendes Verständnis für maschinelles Lernen aufbauen möchten – R- oder Python-Anwender, die ein tieferes Verständnis für die Modelle und Algorithmen hinter ihrem Code suchen,Datenanalysten oder BI-Experten, die in die Datenwissenschaft einsteigen oder ein grundlegendes Verständnis für maschinelles Lernen aufbauen möchten,R- oder Python-Anwender, die ein tieferes Verständnis für die Modelle und Algorithmen hinter ihrem Code suchen
Course Information:
Udemy | Deutsch | 2h 3m | 660.65 MB
Created by: Georg Müller
You Can See More Courses in the Developer >> Greetings from CourseDown.com