Data Mining Weiterbildung

Lektion 1 • Datenqualität und Herausforderungen

Untersucht Rauschen, fehlende Werte, Ausreißer und Redundanz als Hindernisse für präzises Mining. Studenten lernen, Qualitätsprobleme vor Beginn der Modellierung zu diagnostizieren.

Lektion 2 • Ethische und datenschutzrechtliche Überlegungen

Behandelt Einwilligung, Verzerrung, Fairness und verantwortungsvolle Offenlegung in Data-Mining-Projekten. Etabliert eine ethische Perspektive, die im gesamten Kurs angewendet wird.

Lektion 3 • Datentypen und Attribute

Behandelt nominale, ordinale, Intervall- und Verhältnisskalen sowie strukturierte vs. unstrukturierte Daten. Der Attributtyp bestimmt, welche Algorithmen anwendbar sind.

Lektion 4 • Was ist Data Mining?

Definiert Data Mining, seine Ziele und seine Position im breiteren Wissensentdeckungsprozess. Verankert alle nachfolgenden Techniken in einem einheitlichen konzeptionellen Rahmen.

Lektion 1 • Datenbereinigungstechniken

Behandelt Imputationsstrategien, Rauschglättung und Duplikatsentfernung. Saubere Daten sind die Voraussetzung für zuverlässige Mustererkennung in späteren Kapiteln.

Lektion 2 • Grundlagen des Feature Engineering

Lehrt die Konstruktion neuer Merkmale aus Rohattributen, um verborgene Muster aufzudecken. Starke Merkmale verstärken die Leistung jedes später behandelten Mining-Algorithmus.

Lektion 3 • Datenintegration und -fusion

Erklärt Schema-Abgleich, Entitätsauflösung und Konfliktlösung beim Zusammenführen mehrerer Quellen. Integrierte Datensätze ermöglichen reichhaltigere, verallgemeinerungsfähigere Modelle.

Lektion 4 • Datenreduktionsmethoden

Stellt Dimensionsreduktion, Numerositätsreduktion und Datenkompression vor. Kleinere, repräsentative Datensätze reduzieren den Rechenaufwand, ohne Erkenntnisse zu beeinträchtigen.

Lektion 1 • Ausreißer- und Anomalievisualisierung

Verwendet visuelle Methoden, um Anomalien vor der Anwendung formaler Erkennungsalgorithmen sichtbar zu machen. Frühe visuelle Erkennung verhindert, dass Ausreißer spätere Modelle verzerren.

Lektion 2 • Univariate und bivariate Analyse

Untersucht Einzelvariablenverteilungen und paarweise Beziehungen mithilfe von Histogrammen, Boxplots und Streudiagrammen. Zeigt marginale und gemeinsame Muster in den Daten auf.

Lektion 3 • Kommunikation von EDA-Ergebnissen

Lehrt Diagrammauswahl, Annotation und narrative Struktur für die Präsentation explorativer Ergebnisse. Klare Kommunikation schafft Abstimmung mit den Stakeholdern, bevor mit der Modellierung begonnen wird.

Lektion 4 • Multivariate Visualisierungstechniken

Stellt Parallelkoordinaten, Heatmaps und dimensionsreduzierte Diagramme für hochdimensionale Daten vor. Ermöglicht die gleichzeitige Inspektion vieler Variablen.

Lektion 1 • Evaluierungsmetriken für Klassifikatoren

Behandelt Genauigkeit, Präzision, Recall, F1, ROC-AUC und Konfusionsmatrizen. Die Metrikauswahl hängt von der Klassenungleichheit und den Kosten jedes Fehlertyps ab.

Lektion 2 • Support-Vektor-Maschinen

Erklärt Maximum-Margin-Hyperebenen, Kernel-Funktionen und Soft-Margin-SVMs. SVMs eignen sich hervorragend für hochdimensionale Räume, die in Text- und Genomdaten üblich sind.

Lektion 3 • Entscheidungsbäume und Regelinduktion

Behandelt die Algorithmen ID3, C4.5 und CART, einschließlich Teilungskriterien und Bereinigung. Entscheidungsbäume bieten interpretierbare Modelle, die für Geschäftsanwender geeignet sind.

Lektion 4 • Klassifikationskonzepte und Arbeitsablauf

Definiert überwachtes Lernen, Trainings-/Testaufteilungen und den Bias-Varianz-Kompromiss. Etabliert die Bewertungsmentalität, die bei allen Klassifikationsalgorithmen verwendet wird.

Lektion 1 • Regularisierte Regressionsmethoden

Behandelt Ridge, Lasso und Elastic Net zur Kontrolle von Überanpassung und zur Durchführung von Merkmalsauswahl. Regularisierung ist unerlässlich, wenn Merkmale die Beobachtungen überwiegen.

Lektion 2 • Lineare Regression für die Vorhersage

Behandelt die Methode der kleinsten Quadrate, Annahmen und diagnostische Diagramme für lineare Modelle. Die lineare Regression bietet eine interpretierbare Baseline für numerische Vorhersageaufgaben.

Lektion 3 • Evaluierung von Regressionsmodellen

Wendet MAE, RMSE, R-Quadrat und Residuenanalyse an, um Regressionsmodelle zu vergleichen. Ordnungsgemäße Evaluierung verhindert die Bereitstellung von Modellen, die bei unbekannten Daten versagen.

Lektion 4 • Nichtlineare und polynomische Regression

Erweitert lineare Modelle um polynomische Terme, Splines und generalisierte additive Modelle. Nichtlineare Methoden erfassen gekrümmte Beziehungen, die von linearen Ansätzen übersehen werden.

Lektion 1 • Cluster-Validierung und -Interpretation

Wendet Silhouettenkoeffizienten, Davies-Bouldin-Index und Domänenwissen an, um die Clusterqualität zu bewerten. Validierung verhindert übermäßiges Vertrauen in willkürliche Gruppierungen.

Lektion 2 • Hierarchisches Clustering

Erklärt agglomerative und divisive Ansätze mit Verknüpfungskriterien und Dendrogrammen. Hierarchische Methoden zeigen mehrskalige Strukturen, ohne k im Voraus festlegen zu müssen.

Lektion 3 • Partitionierungsmethoden

Behandelt k-Means-, k-Medoids- und k-Modes-Algorithmen mit Initialisierungsstrategien. Partitionierungsmethoden sind skalierbar und eignen sich für große, kugelförmige Cluster.

Lektion 4 • Dichtebasiertes Clustering

Stellt DBSCAN und OPTICS zur Entdeckung beliebig geformter Cluster und Rauschpunkte vor. Dichtemethoden handhaben unregelmäßige Geometrien, die k-Means nicht erfassen kann.

Lektion 1 • Apriori-Algorithmus

Erklärt die Apriori-Eigenschaft, Kandidatengenerierung und Bereinigung für effiziente Itemset-Entdeckung. Studenten implementieren Apriori auf Einzelhandelstransaktionsdatensätzen.

Lektion 2 • FP-Growth-Algorithmus

Stellt die FP-Tree-Struktur und die conditional pattern base für schnelleres Mining ohne Kandidatengenerierung vor. FP-Growth übertrifft Apriori bei dichten Datensätzen.

Lektion 3 • Konzepte häufiger Itemsets

Definiert Support, Confidence, Lift und Conviction als Regelqualitätsmaße. Diese Metriken bestimmen, welche Muster statistisch und praktisch signifikant sind.

Lektion 4 • Anwendungen des Assoziations-Minings

Wendet Assoziationsregeln auf Warenkorb-, Web-Klickstrom- und medizinische Ko-Vorkommensanalysen an. Der Domänenkontext bestimmt, welche Regeln in Geschäftswert umgesetzt werden.

Lektion 1 • Modellüberwachung und -wartung

Lehrt Drift-Erkennung, Nachschulungsauslöser und Leistungs-Dashboards für bereitgestellte Modelle. Kontinuierliche Überwachung verhindert eine stille Verschlechterung des Modells in der Produktion.

Lektion 2 • Ensemble- und Meta-Learning-Methoden

Behandelt Boosting, Stacking und Blending, um schwache Lerner zu starken Prädiktoren zu kombinieren. Meta-Learning-Strategien maximieren die Genauigkeit bei Wettbewerbsbenchmarks.

Lektion 3 • Modellbereitstellung und -serving

Behandelt Serialisierung, REST-API-Serving, Batch-Scoring und Containerisierung für Produktionsmodelle. Die Bereitstellung schließt die Lücke zwischen experimentellen Notebooks und Live-Systemen.

Lektion 4 • Anomalie- und Ausreißererkennung

Wendet statistische, proximitäts- und isolationsbasierte Methoden an, um seltene Ereignisse zu erkennen. Anomalieerkennung ist die Grundlage für Betrugserkennung, Fehlerüberwachung und Sicherheit.