Kontakt aufnehmen

Schulungsübersicht

Einführung

  • Verständnis der Bedeutung von Datenvorbereitung in der Analytik und im Machine Learning
  • Datenvorbereitungs-Pipeline und ihre Rolle im Datenlebenszyklus
  • Untersuchung häufiger Herausforderungen in Rohdaten und deren Auswirkungen auf Analysen

Datenerfassung und -akquise

  • Datenquellen: Datenbanken, APIs, Tabellenkalkulationen, Textdateien und mehr
  • Techniken zur Datenerfassung und Sicherstellung der Datenqualität während der Erfassung
  • Datenerfassung aus verschiedenen Quellen

Techniken zur Datenbereinigung

  • Identifizierung und Handhabung fehlender Werte, Ausreißer und Inkonsistenzen
  • Umgang mit Duplikaten und Fehlern im Datensatz
  • Bereinigung realer Datensätze

Datentransformation und Standardisierung

  • Techniken zur Datennormalisierung und -standardisierung
  • Umgang mit kategorischen Daten: Codierung, Binning und Feature-Engineering
  • Transformation von Rohdaten in nutzbare Formate

Datenintegration und Aggregation

  • Zusammenführen und Kombinieren von Datensätzen aus verschiedenen Quellen
  • Auflösung von Datenkonflikten und Ausrichtung der Datentypen
  • Techniken zur Datenaggregation und -konsolidierung

Sicherstellung der Datenqualität

  • Methoden zur Sicherstellung der Datenqualität und -integrität während des gesamten Prozesses
  • Implementierung von Qualitätsprüfungen und Validierungsverfahren
  • Fallstudien und praktische Anwendungen der Sicherstellung der Datenqualität

Dimensionsreduktion und Merkmalsauswahl

  • Verständnis der Notwendigkeit einer Dimensionsreduktion
  • Techniken wie PCA, Merkmalsauswahl und Reduktionsstrategien
  • Implementierung von Techniken zur Dimensionsreduktion

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundlegendes Verständnis von Datenkonzepten

Zielgruppe

  • Datenanalysten
  • Datenbankadministratoren
  • IT-Fachkräfte
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien