Advanced Business Analytics Seminar - Cheatsheet

Datenaufbereitung und Feature Engineering

Definition:

Vorbereitende Schritte zur Bereinigung, Transformation und Auswahl von relevanten Datenmerkmalen für Modellierung in der Datenanalyse.

Details:

• Datenbereinigung: Umgang mit fehlenden Werten, Entfernen von Ausreißern
• Datenintegration: Zusammenführung verschiedener Datenquellen
• Datenumwandlung: Transformation von Variablen und Skalen
• Feature-Engineering: Erstellung neuer Merkmale aus bestehenden Daten
• Skalierung: Normalisierung oder Standardisierung von Daten
• Codierung: Umwandlung kategorialer Daten in numerische Formate
• Dimensionalitätsreduktion: Anwendung von Techniken wie PCA

Lineare Regression und Logistische Regression

Definition:

Lineare Regression: Modellierungsansatz zur Vorhersage einer kontinuierlichen Zielvariable basierend auf einer oder mehreren Prädiktoren. Logistische Regression: Modell zur Vorhersage binärer Zielvariablen, wobei die Zielvariable als Wahrscheinlichkeit interpretiert wird.

Details:

• Lineare Regression:
• linearer Zusammenhang zwischen Prädiktoren und Zielvariable
• Modell: \[ y = \beta_0 + \beta_1x_1 + ... + \beta_nx_n + u \]
• Minimierung des Residualsumme-Quadrats (RSS)
• Logistische Regression:
• verwendet für binäre Klassifikation
• Modell: \[ \text{logit}(p) = \beta_0 + \beta_1x_1 + ... + \beta_nx_n \]
• Schätzt Wahrscheinlichkeiten mit der logistischen Funktion: \[ p = \frac{1}{1 + e^{-(\beta_0 + \beta_1x_1 + ... + \beta_nx_n)}} \]

Künstliche neuronale Netze

Definition:

Künstliche neuronale Netze modellieren biologische neuronale Netzwerke, um Mustererkennung und maschinelles Lernen zu ermöglichen.

Details:

• Bestandteile: Neuronen (Knoten), Verbindungen (Gewichte)
• Schichten: Eingabeschicht, versteckte Schichten, Ausgabeschicht
• Aktivierungsfunktionen: Sigmoid, ReLU, Tanh, etc.
• Training durch Backpropagation und Optimierungsalgorithmen wie Gradient Descent
• Kostenfunktion: misst die Fehlerrate, z.B. Mean Squared Error (MSE)
• Datenanpassung: Vermeidung von Overfitting durch Regularisierungstechniken wie Dropout
• Architekturen: Feedforward Netzwerke, Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN)

Explorative Datenanalyse

Definition:

Explorative Datenanalyse (EDA) untersucht Datensätze, um deren Hauptmerkmale zu verstehen, oft mit visuellen Mitteln.

Details:

• Identifizierung von Mustern, Beziehungen und Ausreißern
• Verwendung von Diagrammen wie Histogrammen, Box-Plots, und Scatterplots
• Statistische Maße wie Mittelwert (\(\mu\)), Median, Standardabweichung (\(\sigma\))
• Häufig angewandte Methoden: deskriptive Statistik, Data Visualization
• Erster Schritt in der Datenanalyse vor komplexeren Modellierungen
• Verwendung von Python-Bibliotheken wie Pandas, Matplotlib, Seaborn

Erstellung von Diagrammen und Grafiken mit Tableau

Definition:

Diagramme und Grafiken mit Tableau erstellen, um Daten visuell darzustellen und Analysen übersichtlich zu präsentieren.

Details:

• Datenquelle verbinden und bereinigen
• Drag-and-drop Funktion zur schnellen Diagrammerstellung
• Palette von Diagrammtypen (Balken-, Linien-, Streudiagramme, etc.)
• Filtern, Gruppieren und Sortieren von Daten
• Farbkodierung und Etikettierung für bessere Übersicht
• Dashboards erstellen und teilen
• Berechnete Felder und Parameter für fortgeschrittene Analysen
• Einbindung von Maps für geographische Daten

Ensemble-Methoden

Definition:

Ensemble-Methoden nutzen mehrere Modelle, um die Vorhersagegenauigkeit zu verbessern.

Details:

• Bagging: Mehrere Modelle trainieren und deren Ergebnisse mitteln (z.B. Random Forest).
• Boosting: Sukzessiv Modelle auf Residuen vorangegangener Modelle trainieren (z.B. AdaBoost, Gradient Boosting).
• Stacking: Verschiedene Modelle kombinieren, indem ein Meta-Modell deren Vorhersagen nutzt.
• Vorteile: Höhere Genauigkeit, Robustheit gegenüber Überanpassung.
• Nachteile: Höherer Rechenaufwand, schwierige Interpretierbarkeit.

Big Data-Technologien in der digitalen Transformation

Definition:

Big Data-Technologien spielen eine zentrale Rolle in der digitalen Transformation, indem sie große Mengen an Daten sammeln, speichern, analysieren und verarbeiten, um wertvolle Erkenntnisse und bessere Geschäftsentscheidungen zu ermöglichen.

Details:

• Datenerfassung: Verwendung von Sensoren, IoT-Geräten, sozialen Medien, etc.
• Speicherung: Nutzung von verteilten Datenspeichersystemen wie Hadoop und NoSQL-Datenbanken.
• Datenverarbeitung: Einsatz von Technologien wie MapReduce, Spark für die parallele Datenverarbeitung.
• Analyse: Nutzung von Maschinenlern-, Data Mining- und Statistik-Tools.
• Visualisierung: Darstellung der Daten mit Tools wie Tableau, Power BI.
• Vorteile: Effizienzsteigerung, bessere Entscheidungsfindung, Personalisierung von Dienstleistungen.
• Herausforderungen: Datenschutz, Datenqualität, Integration heterogener Datenquellen.

Peer-Feedback und kollaboratives Lernen bei Datenprojekten

Definition:

Methode, bei der Studierende im Rahmen von Datenprojekten durch gegenseitiges Feedback und Zusammenarbeit lernen.

Details:

• Fördert tiefere Einblicke und Verständnis für komplexe Datenanalysen.
• Ermöglicht den Austausch verschiedener Perspektiven und Ansätze.
• Verbessert Problemlösungsfähigkeiten und kritisches Denken.
• Stärkt Teamarbeit und Kommunikationsfähigkeiten.
• Nutze k constructive Kritik und aktives Zuhören.