ExpiredData Science – Datenvorbereitung & Qualitätssicherung Excel
FREE
19.99
Note: Udemy FREE coupon codes are valid for maximum 1000 redemption only and might get redeemed in few hours. Look for "GET THIS DEAL" green button at the end of Description.
This post may have affiliate link & we may get small commission if you make a purchase.
![[Few Hours Left] Udemy Sitewide $9.99 – List of 1300 Popular Courses (By Ratings, Hours of Videos, Categories, Authors )](https://media.freebiesglobal.com/2020/12/Udemy9.99.png)
Requirements
Dies ist ein einsteigerfreundlicher Kurs (keine Vorkenntnisse oder Mathe-/Statistikkenntnisse erforderlich)
Wir werden Microsoft Excel (Office 365) für einige Kursdemos verwenden, die Teilnahme ist jedoch optional
Description
Entdecken Sie die Welt des maschinellen Lernens in Excel und bauen Sie grundlegende Data Science & Predictive Analytics Fähigkeiten auf, ohne Code zu schreiben!
Dieser Kurs macht Data Science in Excel für den Alltag zugänglich und wurde entwickelt, um leistungsstarke Machine-Learning-Tools und Techniken zu erlernen, ohne zu versuchen, Ihnen gleichzeitig eine Programmiersprache beizubringen.
Stattdessen werden wir vertraute, benutzerfreundliche Tools wie Microsoft Excel verwenden, um komplexe Themen aufzuschlüsseln und Ihnen zu helfen, genau zu verstehen, WIE und WARUM maschinelles Lernen funktioniert, bevor Sie in Programmiersprachen wie Python oder R eintauchen. Im Gegensatz zu den meisten Data Science- und Machine Learning-Kursen werden Sie keine einzige Zeile Code schreiben.
KURSÜBERBLICK:
In diesem Kurs werden wir die Machine-Learning-Landschaft und den Workflow vorstellen und kritische Qualitätssicherung-Tipps für die Reinigung und Vorbereitung von Rohdaten für die Analyse in Excel überprüfen, einschließlich Variablentypen, leere Werte, Bereichs- und Zählberechnungen, Tabellenstrukturen und mehr.
Wir behandeln univariate Analysen mit Häufigkeitstabellen, Histogrammen, Kerndichten und Profiling-Metriken und tauchen dann in multivariate Profiling-Werkzeuge wie Heatmaps, Violin- und Box-Plots, Streudiagramme und Korrelationen ein:
· Abschnitt 1: Einführung und Landschaft des maschinellen Lernens in Excel
– Prozess, Definition und Landschaft des maschinellen Lernens
· Abschnitt 2: Vorläufige Daten-Qualitätssicherung
– Variablentypen, Leerwerte, Bereichs- und Zählungsberechnungen, linke/rechte Zensierung, etc. (in Excel)
· Abschnitt 3: Univariate Profilierung
– Histogramme, Häufigkeitstabellen, Mittelwert, Median, Modus, Varianz, Schiefe, usw. (in Excel)
· Abschnitt 4: Multivariate Profilierung
– Violin- & Box-Plots, Kernel-Dichten, Heatmaps, Korrelation, etc. (in Excel)
Im Laufe des Kurses werden wir reale Szenarien vorstellen, die Ihnen helfen sollen, die Schlüsselkonzepte zu festigen und Sie mit tatsächlichen Business Intelligence-Fallstudien zu verbinden. Sie werden Profiling-Metriken verwenden, um Produktbestandsdaten für ein lokales Lebensmittelgeschäft zu bereinigen, Demografien von Olympia-Athleten mit Histogrammen und Kerndichten zu untersuchen, die Häufigkeit von Verkehrsunfällen mit Heatmaps zu visualisieren und vieles mehr.
Wenn Sie bereit sind, die Grundlage für eine erfolgreiche Karriere in der Datenwissenschaft zu schaffen, ist dies der richtige Kurs für Sie.
Melden Sie sich noch heute an und erhalten Sie sofortigen, lebenslangen Zugang zu Folgendem:
– Hochwertige On-Demand-Videos
– Praxisnahe Fallstudien in Excel
– Ein umfassender Quiz zu jedem Thema
– Herunterladbare Excel-Projektdatei
– 30 Tage Geld-zurück-Garantie
Viel Spaß beim Lernen!
Who this course is for:
Alle, die die Grundlagen des maschinellen Lernens anhand von Demos aus der Praxis und intuitiven, kristallklaren Erklärungen erlernen möchten – Datenanalysten oder BI-Experten, die in die Datenwissenschaft einsteigen oder ein grundlegendes Verständnis für maschinelles Lernen aufbauen möchten – R- oder Python-Anwender, die ein tieferes Verständnis für die Modelle und Algorithmen hinter ihrem Code suchen
Datenanalysten oder BI-Experten, die in die Datenwissenschaft einsteigen oder ein grundlegendes Verständnis für maschinelles Lernen aufbauen möchten
R- oder Python-Anwender, die ein tieferes Verständnis für die Modelle und Algorithmen hinter ihrem Code suchen
