Prädiktive Analysen

In diesem Grundlagenkurs lernen Sie, wie Sie den Zeitaufwand für die Datenanalyse minimieren, indem Sie mit Minitab Daten importieren, solide statistische Ansätze zur Untersuchung Ihrer Daten entwickeln, aussagekräftige Visualisierungen erstellen und interpretieren und die Ergebnisse exportieren. Sie automatisieren Ihre Minitab-Analyse und sorgen dafür, dass nur minimale Benutzereingaben erforderlich sind, um Zeit zu sparen. Sie analysieren eine Vielzahl von Datensätzen aus der Praxis, um zu erfahren, wie Sie das richtige Analysewerkzeug für die jeweilige Situation auswählen und die statistischen Ausgaben interpretieren. Sie erlernen die Grundlagen wichtiger statistischer Konzepte wie Hypothesentests und Konfidenzintervalle.

In diesem Kurs liegt der Schwerpunkt darauf, fundierte Entscheidungen auf der Grundlage von statistischen Verfahren zu treffen, die häufig in Geschäfts-, Fertigungs- und Finanzprozessen eingesetzt werden.

Dieser Kurs baut auf den im Kurs „Grundlagen der Analyse“ vorgestellten grundlegenden Konzepten der statistischen Analyse auf. Sie erfahren, wie Sie Beziehungen zwischen Variablen mit Werkzeugen für die statistische Modellierung untersuchen und beschreiben. Sie untersuchen und beschreiben Merkmale von Daten hinsichtlich Effekt und Auswirkungen der Zeit und prognostizieren zukünftiges Verhalten.

Sie lernen, wie Sie die Auswirkungen von Eingabevariablen auf die Wahrscheinlichkeit, dass ein kritisches Ereignis auftritt, ermitteln und quantifizieren. Anhand von praktischen Beispielen wird veranschaulicht, wie mit Modellierungswerkzeugen wichtige Eingaben und Streuungsquellen in Ihren Daten aufgezeigt werden.

Erweitern Sie Ihre analytische Kompetenz, indem Sie Daten von Problemen analysieren, die in vielen Branchen auftreten, um Beziehungen zwischen Variablen zu untersuchen und zu beschreiben. Sie lernen, wie Sie Verfahren des beaufsichtigten maschinellen Lernens wie CART^® anwenden, um Muster in historischen Daten zu analysieren und dadurch bessere Einblicke zu gewinnen, potenzielle Risiken zu identifizieren, Verbesserungsmöglichkeiten zu erkennen und Prognosen zu erstellen.

Sie verwenden Verfahren des unbeaufsichtigten maschinellen Lernens wie das Clustering, um natürliche Partitionen in den Daten aufzudecken und die Beobachtungen oder Variablen in homogene Gruppen aufzuteilen. Sie reduzieren die Dimensionalität der Daten, indem Sie die ursprünglichen Daten in einen Satz nicht korrelierender Variablen transformieren.