Angebot!

Seminar Multivariate Datenanalyse mit Python

Dozent: Dr. Haug Leuschner

 

 895,00 2.390,00

Zzgl. 19% MwSt.
Auswahl zurücksetzen

Das Seminar Multivariate Datenanalyse mit Python behandelt im dreitägigen Basistraining die multiple und die logistische Regressionsanalyse und im direkt anschließenden zweitägigen Aufbautraining strukturentdeckende Verfahren zur Analyse des Zusammenhangs zwischen mehreren Variablen.

Bei Buchung des Aufbautrainings werden die Inhalte des Basistrainings vorausgesetzt. Im fünftägigen Kompletttraining haben Sie das gesamte Programm, wobei im Preis eine Ermäßigung von 100 Euro für die Teilnahme am Basis- und Aufbautraining in derselben Woche enthalten ist.

Unternehmen und Organisationen können bei der Buchung von zwei Seminarplätzen im 5-tägigen Komplett-Training kostenlos eine dritte Person anmelden (bei der Buchung von zwei Plätzen können drei Namen an der Kasse angegeben werden).

Im Preis sind digitale Unterlagen und ein Schulungszertifikat enthalten, optional können gedruckte Unterlagen und ein Fernzugriff auf einen fertig konfigurierten Schulungslaptop dazugebucht werden. Sie können auf Rechnung zahlen (weitere Infos).

Artikelnummer: MDP Kategorien: ,

Beschreibung

In der fünftägigen Komplett-Schulung Multivariate Datenanalyse mit Python werden in den ersten drei Tagen die multiple Regressionsanalyse und die logistische Regressionsanalyse behandelt. In den letzten beiden Tagen werden die strukturentdeckenden Verfahren behandelt. Dazu gehören die Zeitreihenanalyse, die Clusteranalyse und die explorative Faktorenanalyse, dazu ergänzend die Diskriminanzanalyse und die Reliabilitätsanalyse.

Zielgruppe: Anwender, Fachkräfte und Studierende aus den Bereichen der Sozial- und Marktforschung, den Wirtschaftswissenschaften und der Betriebswirtschaft (Business Intelligence, Marketing, Controlling, Qualitätskontrolle) und der psychologischen, klinischen und pharmazeutischen Forschung

Voraussetzungen: Erfahrungen mit Python und die Inhalte des Seminars Grundlagen der Statistik mit Python für Anfänger oder Grundlagen der Statistik mit Python für Programmierer (Interpretation von Korrelationskoeffizienten wie Pearsons r und Signifikanztests wie dem t-Test sollten bekannt sein). Grundlegende Fertigkeiten im Umgang mit Python – wie Datenimport, Datenaufbereitung, Grafikerstellung und statistische Standardverfahren – werden vorausgesetzt, ständig angewendet und vertieft. Wenn der Umgang mit Python nicht vertraut sein sollte, empfiehlt es sich, vorher einen der beiden genannten Grundlagen-Seminare zu besuchen. Der Unterricht des Aufbaukurses setzt außerdem die Kenntnis der Regressionsanalyse voraus.

Lernziele: fortgeschrittene Funktionen von Python kennen lernen, Daten mit Hilfe von multivariaten Verfahren auswerten können, Ergebnisse von multivariaten Datenanalysen grafisch darstellen, erläutern und interpretieren können, aufgrund einer Fragestellung das geeignete multivariate Verfahren identifizieren und anwenden können

Übungen: Die Beispiele und Übungsaufgaben erfolgen in der Python Schulung mit der Programmiersprache Python und der Entwicklungsumgebung Spyder aus der Python Anaconda Distribution. Falls Sie Spyder nicht kennen sollten, können Sie entweder an dem Kurs mit einer anderen Entwicklungsumgebung teilnehmen oder alternativ sich in die Entwicklungsumgebung Spyder einarbeiten: Dokumentation zu Spyder und Tutorial zu Spyder.

Leistungen: ganztägiger Intensiv-Unterricht in Kleingruppen (9-17 Uhr, max. 10 Personen), gedrucktes Schulungszertifikat; Online-Veranstaltungen: digitale Schulungsunterlagen (gegen Aufpreis: gedruckte Schulungsunterlagen und/oder Fernzugang zu einem Schulungslaptop mit installierter Software); Präsenz-Veranstaltungen: Schulungsräume in zentraler Lage, Getränke in den Pausen, Schulungslaptop mit installierter Software, gedruckte Schulungsunterlagen

Aufbau: Die 5-tägige Komplett-Schulung Multivariate Datenanalyse mit Python besteht aus einer 3-tägigen Basis-Schulung und einer anschließenden 2-tägigen Aufbau-Schulung, die auch einzeln gebucht werden können.

Inhalte des 5-tägigen Komplett-Trainings Multivariate Datenanalyse mit Python

  • 3-tägiges Basis-Training: Strukturenprüfende Verfahren

    • Multiple Regressionsanalyse: Regressionsmodelle für kontinuierliche und kategoriale Variablen mit Suppressionseffekten (Suppressoranalyse), Moderationseffekten (Moderatoranalyse), nicht-linearen Effekten (polynomiale Regression) und Interaktionseffekten zwischen kategorialen und kontinuierlichen Variablen (dummykodierte Regressionsanalyse); automatisierte Verfahren zur Auswahl von Prognosevariablen und der Ermittlung des am besten an die Daten angepassten Modells; Residualdiagnostik und Prüfung der Modellprämissen (Angemessenheit des Modells, Unabhängigkeit der Daten, Multikollinearität, Homoskedastizität und Normalverteilung der Residuen, Erkennung von einflussreichen Datenpunkten); 2D- und 3D-Grafiken von Regressionsmodellen
    • Logistische Regression: Schätzung der logistischen Regressionsfunktion, Interpretation der Koeffizienten (Logits, Odds und Wahrscheinlichkeiten), Berechnung von Odds Ratio und relatives Risiko, Konfusionstabellen mit Trefferquote, Spezifität und Sensitivität, ROC-Kurven und automatisierte Verfahren zur Ermittlung des optimalen Trennwerts, automatisierte Auswahl von Prognosevariablen, Prüfung des Gesamtmodells und der Merkmalsvariablen (AUC, Likelihood-Ratio-Test und Pseudo Python-Quadrat-Statistiken)
  • 2-tägiges Aufbau-Training: Strukturentdeckende Verfahren

    • Zeitreihenanalyse: Glättungsmethoden und LOESS-Dekomposition von Trend- und Saison-Komponenten; Zeitregressionsmodelle, exponentielle Prognosemodelle (State-Space-Modelle) und ARIMA-Modelle; Erstellung von Prognosen, Beurteilung der Modellgüte und Prognosegüte, grafische Darstellung von Zeitreihen
    • Clusteranalyse: hierarchische Clusteranalyse (Distanz- und Ähnlichkeitsmaße, Fusionierungs-Algorithmen: Single-Linkage, Complete-Linkage, Ward), k-Means-Clusteranalyse
    • Diskriminanzanalyse: Schätzung der Diskriminanzfunktion, Prüfung der Modellgüte und der Eignung von Variablen, automatisierte Auswahl von Variablen, Klassifikation von neuen Fällen
    • Explorative Faktorenanalyse: Hauptachsenanalyse (EFA), Hauptkomponentenanalyse (PCA), Extraktion und Rotation der Faktoren, Variablenauswahl, Modellgüte, Berechnung von Faktorwerten
    • Reliabilitätsanalyse: Prüfung eines Indikatorsets eines Faktors auf Eindimensionalität; Indikatorreliabilität: Faktorladungen, Kommunalitäten, Cronbachs Alpha (ohne Item), Item-To-Skala-Korrelation; Faktorreliabilität: Cronbachs Alpha, Inter-Item-Korrelationen, Einheitsstruktur