Modulbeschreibung

Import/Data-Cleaning/Data-Preparation
Die Studierenden lernen Datensätze nach Python zu importieren und in ein konsistentes Datenformat zu überführen (Aus 
Files wie Excel und CSV, aus APIs sowie aus Datenbanken). Sie können mit fehlenden Datensätzen und Ausreissern 
umgehen. Sie können Daten mithilfe geeigneter Python-Funktionen in saubere, konsistente und praktische (für die 
Weiterverarbeitung) Formate überführen.

Transform/Visualise/Model
Die Studierenden lernen den iterativen Prozess "from Data to Meaning" praktisch kennen. Die Teilschritte "transform / 
visualise / model" werden meist mehrfach durchlaufen. Im Einzelnen lernen die Studierenden:
- Datensätze zu transformieren (Variablen zusammenführen, neue Variablen berechnen, Filtern etc.); Wir werden dabei 
sowohl "manuelle" Verfahren nutzen (gruppieren, summieren, normalisieren), als auch die PCA (Principal Component 
Analysis) exemplarisch einführen (wir werden dabei nicht mathematisch in die Tiefe gehen).
- Datensätze explorativ zu erschliessen; Hierzu gehört die Datenvisualisierung zum Zweck der "Erkundung" und die 
Hypothesengenerierung (und teilweise auch Bestätigung). Wir nutzen aber auch Validierungsverfahren wie z.B. die 
Residuen Analyse und Kontrolle auf Overfitting mittels Train- und Test-Set.
- Einfache statistische Modelle in der Praxis anwenden (Lineare Regression, Clustering). Sie lernen dabei, dass auch 
überwachte (supervised) Modelle zur Hypothesengenerierung eingesetzt werden können.

Communicate
Die Studierenden üben die Kommunikation zentraler Ergebnisse aus Datenanalysen in einer konkreten Fallstudie. Die 
Studierenden lernen dabei Tools kennen, welche es Ihnen erlauben ihre Datenanalysen auf einfachste Weise kundengerecht 
aufzubereiten und zugänglich zu machen.