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.

Möchten Sie Ihre Grundkenntnisse zu Konzepten der statistischen Analyse aus dem Kurs „Grundlagen der Analyse“ vertiefen? In diesem Kurs erfahren Sie, wie Sie Beziehungen zwischen Variablen mit Werkzeugen für die statistische Modellierung untersuchen und beschreiben. Sie ermitteln und beschreiben Merkmale von Daten hinsichtlich Effekt und Auswirkungen der Zeit und prognostizieren zukünftiges Verhalten.

In diesem Kurs lernen Sie, 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.

Expand your analytics by analyzing data from real world problems experienced in many industries to explore and describe relationships between variables. Learn to use supervised machine learning techniques such as CART® to analyze patterns found in historical data to gain better insights, identify potential risks, seek out improvement opportunities, and make predictions about the future.

Use unsupervised machine learning tools such as Clustering to detect natural partitions in the data and group observations or variables into homogenous sets. Reduce the dimensionality of data by transforming the original data into a set of uncorrelated variables.