Ablauf Ihrer Weiterbildung
Das Seminar ist in 4 Online-Module à 3 Stunden aufgeteilt. Alle Module zeichnen sich durch eine enge Verzahnung von konzeptionellen Inhalten mit praxisnahen Hands-On-Beispielen, Fallstudien und weiteren Formen zur direkten Anwendung des erlernten Wissens aus. Jedes Modul umfasst zuerst die Vermittlung neuer Inhalte sowie direkt im Anschluss die Anwendung ausgewählter Inhalte in Form von Mini-Tutorials.
Sie entwickeln statistische Analysen selbstständig mittels Python und werten diese aus. Unsere Expert:innen unterstützen Sie individuell mit Feedback und Verbesserungsvorschlägen auf Basis seiner umfangreichen akademischen und praktischen Erfahrung im Bereich der quantitativen Methoden.
Inhalte des Seminar
MODUL 1 | 17. Oktober 2022, 17:00 – 20:00
Grundlagen Data Science & Business Intelligence
Grundlagen Python Programming
- Numpy Arrays
- Indexing, Slicing, Reshaping, Concatenation und Splitting
- Universelle Funktionen
- Fancy Indexing
Grundlagen Data Science with Python
- Pandas Dataframes
- Umgang mit fehlenden Daten
- Datenumwandlung
- Zeitreihenanalyse
- Datenvisualisierung: Auswirkung von Feiertagen auf Geburten in den USA
Use Case: Working with Real Data (Data Wrangling)
- Fallbeispiel: Gebrauchtwagenhandel auf eBay
- Gruppenarbeit 1: Preisvorhersage
MODUL 2 | 21. Oktober 2022, 17:00 – 20:00
Optimierung
Optimierungstheorie
- Lineare Programme
- Fallbeispiel I: Make-or-Buy-Problem
- Fallbeispiel II: Investitionsproblem
- Nicht-lineare Programme
- Exkurs: Globale Optimierung
Use Case: „Robo Advisory“
- Einführung in Robotic Process Automization (RPA)
- Change Management in RPA-Projekten
- Einführung Robo Advisory
- Gruppenarbeit 2: Konstruktion eines „Robo Advisor“-Prototyps in der digitalen Vermögensverwaltung
MODUL 3 | 24. Oktober 2022, 17:00 – 20:00
Prognosetechniken
Short-Term-Forecasting
- Vorhersagen mit SARIMAX-Modellen
- Gruppenarbeit 3: Vorhersage von „Google Trend“-Daten
Long-Term-Forecasting
- Fallbeispiel: Vorhersage von Volatiltäten mittels GARCH(1,1)-Modellen
Ausblick: Künstliche Neuronale Netze
- Allgemeine Theorie
- Deep Learning Pipeplines
- Fallbeispiel: Vorhersagen mittels LSTM-Modellen (Long Short Term Memory)
MODUL 4 | 28. Oktober 2022, 17:00 – 20:00
Anwendung von Machine Learning Algorithmen
Allgemeine Einführung in Machine Learning Algorithmen
- Modell-Auswahl
- Modell-Validierung
- Optimierung von Hyperparametern
Supervised Machine Learning Algorithmen
- Lineare Regression
- Support Vector Machines (SVM)
- K-Nearest Neighbor
- Decision Trees
- Random Forest
- Naive Bayes
Unsupervised Machine Learning Algorithmen
- K-Means
- Principal Component Analysis (PCA)
- Current Research @ISM
- Text Mining
- Topic Extraction mit Latenten Dirichelet Verteilungsmodellen (LDA)
Use Case: Themenerkennung mit LDA-Algorithmen in wissenschaftlichen Arbeiten
- Topic Extraction in der Management Literatur
- Gruppenarbeit 4: Topic Extraction in der Marketing Literatur