Extrahieren Sie relevante Daten aus der Datenbank in einer zeitsparenden Weise

Erstellen Sie leistungsstarke SQL-Abfragen, um Erkenntnisse zu gewinnen

Analysieren und Verwalten großer Datenmengen und Ableiten von Schlussfolgerungen aus komplexen relationalen Datenbanken

Studenten in die Lage versetzen, Datenbanken für relevante Geschäftsprobleme zu erstellen und zu modifizieren

Wählen und verwenden Sie relevante Diagramme für geeignete Datenprobleme

Nutzen Sie PowerBI, um sich mit Daten unterschiedlicher Formate zu verbinden

Vermitteln Sie wichtige Erkenntnisse aus Geschäftsproblemen mithilfe von Berichten und Dashboards

Erstellen Sie erweiterte Visualisierungen in Power BI mit DAX

Erstellen Sie Pandas-Pipelines zum Bereinigen, Transformieren und Aggregieren von realen Datensätzen.

Durchführung einer Explorativen Datenanalyse (EDA) und Berechnung deskriptiver Statistiken zur Zusammenfassung von Datenqualität und -verhalten.

Anwendung von Hypothesentests (T-Test/Chi-Quadrat-Test) und Interpretation der Ergebnisse für Geschäftsentscheidungen.

Erstellen Sie mit Matplotlib & Seaborn Diagramme in Publikationsqualität (Balken/Linien/Box/Heatmaps).

Erklären Sie, wie sich Menschen verhalten, wenn sie Daten zur Berechnung von Ergebnissen erhalten

Aufzeigen, wie Wahrnehmungen, Vorurteile und Voreingenommenheit die menschliche Entscheidungsfindung beeinflussen

Veranschaulichen Sie, dass die menschliche Entscheidungsfindung schwierig ist und Menschen Hilfe brauchen, um bessere Entscheidungen zu treffen

Fassen Sie zusammen, wie Menschen effektiv mit KI zusammenarbeiten können, indem sie ihre Voreingenommenheit, Wahrnehmungen und Vorurteile überwinden

Konstruieren Sie Machine Learning Modelle anhand der verschiedenen Schritte eines typischen Machine Learning Workflows

Wenden Sie geeignete Metriken für verschiedene Geschäftsprobleme an, um die Leistung von Machine Learning-Modellen zu bewerten

Entwickeln Sie regressions- und baumbasierte maschinelle Lernmodelle, um Vorhersagen zu relevanten Geschäftsproblemen zu treffen

Analysieren Sie geschäftliche Probleme, bei denen unüberwachte Machine Learning-Modelle eingesetzt werden könnten, um einen Mehrwert aus Daten zu ziehen

Nutzen Sie Regularisierungstechniken für eine verbesserte Modellleistung und Robustheit.

Nutzen Sie Ensemble-Methoden wie Bagging und Boosting, um die Vorhersagegenauigkeit zu verbessern.

Implementieren Sie Hyperparameter-Tuning und Feature Engineering, um Modelle für reale Herausforderungen zu verfeinern.

Kombinieren Sie verschiedene Modelle für bessere Vorhersagen und erweitern Sie so Ihr Prognosetoolkit.

Erläutern Sie die Bedeutung von Data Storytelling für die Vermittlung von Erkenntnissen und für die Erleichterung der Entscheidungsfindung

Wenden Sie verschiedene Visualisierungstechniken an, um eine fesselnde Datengeschichte zu erstellen

Wenden Sie verschiedene Techniken an, um eine fesselnde Erzählung für eine Datengeschichte zu erstellen

Erstellen Sie eine fesselnde Datengeschichte, indem Sie relevante Daten, eine klare Visualisierung und eine fesselnde Erzählung integrieren.