In diesem Modul lernen Sie, wie Sie einige grundlegende Datenverarbeitungsaufgaben durchführen, die zusammen die Vorverarbeitungsphase der Datenanalyse bilden. Zu diesen Aufgaben gehören der Umgang mit fehlenden Werten in Daten, die Formatierung von Daten, um sie zu standardisieren und konsistent zu machen, die Normalisierung von Daten, die Gruppierung von Datenwerten in Bins und die Konvertierung kategorischer Variablen in numerische, quantitative Variablen.

In diesem Modul erfahren Sie, was unter explorativer Datenanalyse zu verstehen ist, und Sie lernen, wie Sie Berechnungen mit den Daten durchführen, um grundlegende deskriptive statistische Informationen wie Mittelwert, Median, Modus und Quartilwerte zu berechnen und diese Informationen zu nutzen, um die Verteilung der Daten besser zu verstehen. Sie werden lernen, wie Sie Ihre Daten in Gruppen einteilen, um sie besser zu visualisieren. Sie werden lernen, wie Sie die Pearson-Korrelationsmethode anwenden, um zwei kontinuierliche numerische Variablen zu vergleichen, und Sie werden lernen, wie Sie den Chi-Quadrat-Test anwenden, um die Assoziation zwischen zwei kategorialen Variablen zu finden und wie Sie diese interpretieren können.

In diesem Modul lernen Sie, wie Sie die erklärende Variable und die Antwortvariable definieren und die Unterschiede zwischen der einfachen linearen Regression und den multiplen linearen Regressionsmodellen verstehen. Sie lernen, wie Sie ein Modell mit Hilfe der Visualisierung auswerten können und erfahren mehr über polynomielle Regression und Pipelines. Sie werden auch lernen, wie Sie das R-Quadrat und den mittleren quadratischen Fehler interpretieren und verwenden, um In-Sample-Auswertungen durchzuführen und unser Modell numerisch zu bewerten. Und schließlich lernen Sie etwas über Vorhersage und Entscheidungsfindung, wenn Sie feststellen, ob unser Modell korrekt ist.

In diesem Modul lernen Sie die Bedeutung der Modellevaluierung kennen und diskutieren verschiedene Techniken zur Verfeinerung von Datenmodellen. Sie lernen etwas über die Modellauswahl und wie Sie Overfitting und Underfitting in einem Vorhersagemodell erkennen können. Außerdem lernen Sie, wie Sie die Ridge-Regression zur Regularisierung und Reduzierung von Standardfehlern einsetzen, um eine Überanpassung eines Regressionsmodells zu verhindern, und wie Sie die Hyperparameter eines Schätzers mit der Methode Grid Search abstimmen.

Herzlichen Glückwunsch! Sie haben nun alle Module dieses Kurses abgeschlossen. In diesem letzten Modul werden Sie die abschließende Aufgabe bearbeiten, die von Ihren Kollegen benotet wird. In dieser letzten Aufgabe schlüpfen Sie in die Rolle eines Datenanalysten, der bei einem Immobilieninvestmentfonds arbeitet und in Wohnimmobilien investieren möchte. Sie erhalten einen Datensatz mit detaillierten Informationen über Hauspreise in der Region auf der Grundlage einer Reihe von Immobilienmerkmalen. Ihre Aufgabe wird es sein, den Marktpreis von Häusern anhand dieser Informationen zu analysieren und vorherzusagen.