Präsentationstechniken mit Zusatzqualifikation: Tableau, statistische Datenanalyse mit R, Deep Learning, Microsoft Power BI und Machine Learning

Nach Abschluss der Weiterbildung verfügen Sie über Kenntnisse in der Anwendung von Tableau und Microsoft Power BI zur Datenvisualisierung. Sie analysieren statistische Daten mit R und setzen Deep Learning sowie Machine Learning ein, um komplexe Datenmuster zu erkennen. Diese Fähigkeiten ermöglichen Ihnen Tätigkeiten in der Datenanalyse, im Business Intelligence und in der Entwicklung von KI-Modellen. Sie sind in der Lage, datenbasierte Entscheidungen zu unterstützen und in verschiedenen Branchen analytische Aufgaben zu übernehmen.

• Einleitung und Vorbereitung von eigenen oder fremden Präsentationen
• Umgang mit Teilnehmenden
• Präsentator*in und zu beachtende Aspekte
• Präsentationspraxis
• Visualisierung und Medien

• Einführung in Tableau und Verstehen von Datenmodellierung
• Erstellen von interaktiven Dashboards
• Aggregationen, Berechnungen und Parameter
• Verwendung von Kartendiensten
• Darstellen von Veränderungen durch Ranglisten und Bump-Diagramme
• Erstellen von Umsatzkarten und Visualisierung von Verkaufsdaten
• Erstellen von Reporten inklusive Dashboard mit Interaktivität

• Grundlagen der Arbeit mit R
• Datenmanagement und diskriptive Statistiken in R
• Importieren, Analysieren und Exportieren von Datensätzen
• Diagramme in ggplot2
• Regressionsanalysen
• Lineare Regression, Moderation und Mediation
• Anwendung von R in der Forschung

• Aufgaben und Funktion von Deep Learning
• Trainieren eines Neuronalen Netzes
• Neuronale Netze
• Keras
• Verbindungen zu TensorFlow
• Laden und Speichern von Modellen
• Benutzen von vorgefertigten Modellen mit Keras

• Datenvorbereitung für Power BI
• Arbeiten mit Power Query
• Datenquellen verbinden und importieren
• Interaktive Dashboards gestalten
• Visualisierung gestalen
• Balken- und Liniendiagramme
• Freigabe von Analysen und Dashboards

• Einführung in Machine Learning
• Arten des Machine Learning
• Datenvorbereitung für Machine Learning
• Training und Auswahl eines Vorhersagemodells
• Bewertung von Modellen
• Verwendung von Scikit-Learn für Klassifikationen
• Modellbewertung und Hyperparameter-Tuning