Methoden der Entscheidungsbäume (TRM)

Die­ser Kurs gibt einen tie­fen Ein­blick in die Metho­dik der Ent­schei­dungs­bäu­me. Ent­schei­dungs­bäu­me sind robust, schnell und ver­ständ­lich und des­halb popu­lär zur Daten­ex­plo­ra­ti­on und Pro­gno­se bei gro­ßen und hete­ro­ge­nen Daten­be­stän­den.

Inhal­te

• • Grund­la­gen der Ent­schei­dungs­bäu­me: Tei­lungs­re­geln, Pru­ning, Ana­ly­se
  • CART
  • CHAID
  • Ran­dom Forest
  • Boos­ted Trees
  • Über­blick über wei­te­re Ver­fah­ren: ID3, FACT, QUEST

Typ
Unse­re Metho­den-Trai­nings sind soft­wareun­ab­hän­gig und bran­chen­über­grei­fend kon­zi­piert. Wir legen Wert auf eine leb­haf­te und inspi­rie­ren­de Atmo­sphä­re im Trai­ning und prä­sen­tie­ren des­halb Bei­spie­le aus ver­schie­de­nen Anwen­dungs­be­rei­chen, dabei kann auch Soft­ware zum Ein­satz kom­men.
Der Kurs­ver­lauf ist offen für Dis­kus­sio­nen und Bei­trä­ge der Teil­neh­mer. Unse­re Trai­ner gehen auf alle Fra­gen der Teil­neh­mer ein und beant­wor­ten die­se im Kurs­ver­lauf an pas­sen­der Stel­le.
Die Teil­neh­mer erhal­ten alle Trai­nings­un­ter­la­gen im Anschluss als PDF.

Stich­wor­te
Bag­ging, Boos­ted Trees, Boos­ting, C&RT, CART, CHAID, Entro­pie, Explo­ra­ti­on, Feh­len­de Wer­te, Fehl­wert Erset­zung, GINI, Infor­ma­ti­on Gain, Pro­gno­se, Ran­dom Forest, Sto­cha­stic Gra­di­ent Boos­ting, Tei­lungs­re­geln, Varia­blen­wich­tig­keit, ID3, FACT, QUEST

Vorraus­set­zun­gen
In die­sem Trai­ning wer­den Data Mining Grund­kennt­nis­se vor­aus­ge­setzt.