Das Kursangebot
Wird aktuell leider nicht vom Veranstalter über FB24 angeboten.
Der Veranstalter war Comelio GmbH.
Um dennoch den richtigen Kurs zu finden, nutzen Sie unseren Such-Assistent.
Der Kurs hatte folgenden Inhalt:
Kursziele:
Ein bayessches Netz / Bayes’sches Netz ist ein gerichteter azyklischer Graph, in dem die Knoten Zufallsvariablen und die Kanten bedingte Abhängigkeiten zwischen den Variablen beschreiben. Jedem Knoten des Netzes ist eine bedingte Wahrscheinlichkeitsverteilung der durch ihn repräsentierten Zufallsvariable gegeben, die Zufallsvariablen an den Elternknoten zuordnet. Ein Bayes’sches Netz dient dazu, die gemeinsame Wahrscheinlichkeitsverteilung aller beteiligten Variablen unter Ausnutzung bekannter bedingter Unabhängigkeiten möglichst kompakt zu repräsentieren. Dieses Seminar erläutert die verschiedenen Analysetechniken, die mit bayesschen Netzen möglich sind, erklärt übersichtlich die verschiedenen Algorithmen und zeigt anhand von konkreten Beispielen in R, wie Sie diese Techniken auf konkrete Daten anwenden können. Dabei lernen Sie für die Analyse und das automatische Lernen von Strukturen die Pakete bnlearn, deal, pcalg und catnet kennen, während für das Lernen von Parametern und Inferenzen die Pakete gRbase und gRain genutzt werden. Des Weiteren lernen Sie für die Analyse von zeitbezogenen Daten Pakete wie vars, lars, simone und GeneNet kennen.
Kursbeschreibung:
Themen:
A. Einführung in Graphentheorie und Bayessche Netze
Dauer: 0.25 Tage
Graphen - Knoten - Kanten - Der Graph und seine Strukturen - Von Graphen zu Bayessche Netze
B. Bayessche Netze bei statischen Daten
Dauer: 0.75 Tage
Bayessche Netze: Definitionen, Verbindungen, Strukturen und Wahrscheinlichkeiten, Markov Blankets - Statische Modellierung: Constraint-Based Structure Learning Algorithms, Score-Based Structure Learning Algorithms, Hybrid Structure Learning Algorithms, Lernen von Parametern
C. Bayessche Netze bei zeitbezogenen Daten
Dauer: 0.5 Tage
Zeitreihenanalyse und Vektorautoregressive Prozesse (VAR) - Dynamische Bayessche Netze für VAR - Algorithmen: Least Absolute Shrinkage and Selection Operator (LASSO), James–Stein Shrinkage, First-Order Conditional Dependencies Approximation
D. Bayessche Netze und Inferenz
Dauer: 0.25 Tage
Schlussfolgerung unter Unsicherheit: Probabilistische Schlussfolgerungen, Kausale Inferenz - Inferenzen: Exakte und approximative Inferenz
Unsere Dozenten:
Unser Trainer für Statistik und Data-Mining mit R Marco Skulschus studierte in Wuppertal und Paris Ökonomie und arbeitet schon seit mehr als 10 Jahren als Dozent, Fachbuch-Autor zum Thema Datenbanken, Datenanalyse und als Berater für statistische Analyse mit R. Teilnehmer/innen seiner R-Seminare sind Betriebswirte / Volkswirtschaftler, Ingenieure und Doktoranden, die für Statistik und Data Mining R einsetzen wollen.
Veröffentlichungen:
Projekte: Als Berater konzipiert Herr Skulschus Analysesysteme auf Basis von relationalen Datenbanken und entwickelt dann statistische Modelle und Analysen mit R-Programmierung. Zu seinen Kunden zählen Marktforschungsunternehmen, Marketing-Abteilungen sowie Abteilungen für die Qualitätssicherung und Prozessoptimierung oder auch Forschungseinrichtungen.
Forschung: Er leitete ein mehrjähriges Forschungsprojekt zur Entwicklung eines Fragebogensystems mit ontologie-basiertem Datenmodell und innovativen Frage-Antwort-Darstellungen. Förderung durch das BMWi und Zusammenarbeit mit verschiedenen Universitäten.
Webseite:
Über das Postleitzahlen-Feld können Sie die Ergebnisse regional einschränken.
Wir helfen Ihnen auch gerne bei der Suche. Bitte füllen Sie dazu das Formular in unserem Such-Assistenten aus und ergänzen Sie dazu noch den Textvorschlag!
Wird aktuell leider nicht vom Veranstalter über FB24 angeboten.
Der Veranstalter war Comelio GmbH.
Um dennoch den richtigen Kurs zu finden, nutzen Sie unseren Such-Assistent.
Der Kurs hatte folgenden Inhalt:
Kursziele:
Ein bayessches Netz / Bayes’sches Netz ist ein gerichteter azyklischer Graph, in dem die Knoten Zufallsvariablen und die Kanten bedingte Abhängigkeiten zwischen den Variablen beschreiben. Jedem Knoten des Netzes ist eine bedingte Wahrscheinlichkeitsverteilung der durch ihn repräsentierten Zufallsvariable gegeben, die Zufallsvariablen an den Elternknoten zuordnet. Ein Bayes’sches Netz dient dazu, die gemeinsame Wahrscheinlichkeitsverteilung aller beteiligten Variablen unter Ausnutzung bekannter bedingter Unabhängigkeiten möglichst kompakt zu repräsentieren. Dieses Seminar erläutert die verschiedenen Analysetechniken, die mit bayesschen Netzen möglich sind, erklärt übersichtlich die verschiedenen Algorithmen und zeigt anhand von konkreten Beispielen in R, wie Sie diese Techniken auf konkrete Daten anwenden können. Dabei lernen Sie für die Analyse und das automatische Lernen von Strukturen die Pakete bnlearn, deal, pcalg und catnet kennen, während für das Lernen von Parametern und Inferenzen die Pakete gRbase und gRain genutzt werden. Des Weiteren lernen Sie für die Analyse von zeitbezogenen Daten Pakete wie vars, lars, simone und GeneNet kennen.
Kursbeschreibung:
Themen:
A. Einführung in Graphentheorie und Bayessche Netze
Dauer: 0.25 Tage
Graphen - Knoten - Kanten - Der Graph und seine Strukturen - Von Graphen zu Bayessche Netze
B. Bayessche Netze bei statischen Daten
Dauer: 0.75 Tage
Bayessche Netze: Definitionen, Verbindungen, Strukturen und Wahrscheinlichkeiten, Markov Blankets - Statische Modellierung: Constraint-Based Structure Learning Algorithms, Score-Based Structure Learning Algorithms, Hybrid Structure Learning Algorithms, Lernen von Parametern
C. Bayessche Netze bei zeitbezogenen Daten
Dauer: 0.5 Tage
Zeitreihenanalyse und Vektorautoregressive Prozesse (VAR) - Dynamische Bayessche Netze für VAR - Algorithmen: Least Absolute Shrinkage and Selection Operator (LASSO), James–Stein Shrinkage, First-Order Conditional Dependencies Approximation
D. Bayessche Netze und Inferenz
Dauer: 0.25 Tage
Schlussfolgerung unter Unsicherheit: Probabilistische Schlussfolgerungen, Kausale Inferenz - Inferenzen: Exakte und approximative Inferenz
Unsere Dozenten:
Unser Trainer für Statistik und Data-Mining mit R Marco Skulschus studierte in Wuppertal und Paris Ökonomie und arbeitet schon seit mehr als 10 Jahren als Dozent, Fachbuch-Autor zum Thema Datenbanken, Datenanalyse und als Berater für statistische Analyse mit R. Teilnehmer/innen seiner R-Seminare sind Betriebswirte / Volkswirtschaftler, Ingenieure und Doktoranden, die für Statistik und Data Mining R einsetzen wollen.
Veröffentlichungen:
- "Grundlagen empirische Sozialforschung" (Comelio Medien, ISBN 978-3-939701-23-1)
- "System und Systematik von Fragebögen" (Comelio Medien, ISBN 978-3-939701-26-2)
- "Oracle SQL" (Comelio Medien, ISBN 978-3-939701-41-5)
- "SQL Server 2012: Data Mining und multivariate Verfahren" (Comelio Medien, ISBN 978-3-939701-85-9)
- "SQL und relationale Datenbanken" (Comelio Medien, ISBN 978-3-939701-52-1)
Projekte: Als Berater konzipiert Herr Skulschus Analysesysteme auf Basis von relationalen Datenbanken und entwickelt dann statistische Modelle und Analysen mit R-Programmierung. Zu seinen Kunden zählen Marktforschungsunternehmen, Marketing-Abteilungen sowie Abteilungen für die Qualitätssicherung und Prozessoptimierung oder auch Forschungseinrichtungen.
Forschung: Er leitete ein mehrjähriges Forschungsprojekt zur Entwicklung eines Fragebogensystems mit ontologie-basiertem Datenmodell und innovativen Frage-Antwort-Darstellungen. Förderung durch das BMWi und Zusammenarbeit mit verschiedenen Universitäten.
Webseite:
- http://www.marco-skulschus.de
- http://de.wikipedia.org/wiki/Marco_Skulschus
So finden Sie dennoch den richtigen Kurs:
Nutzen Sie die Freitextsuche oder klicken Sie oben auf die passende Branche.Über das Postleitzahlen-Feld können Sie die Ergebnisse regional einschränken.
Wir helfen Ihnen auch gerne bei der Suche. Bitte füllen Sie dazu das Formular in unserem Such-Assistenten aus und ergänzen Sie dazu noch den Textvorschlag!
Immer top informiert!
Möchten Sie regelmäßig die aktuellsten Informationen zu Ihren Bildungsthemen?