Hybrid: Data Analysis und Machine Learning in R
März
24
bis 28. März

Hybrid: Data Analysis und Machine Learning in R

  • Google Kalender ICS

Themen des Intensivkurses:

  • Tag 1: R Crashkurs - Technische Einführung und Grundlagen in R

  • Tag 2: Statistik und Datenanalyse in R - Explorative Analysen und Visualisierung mit ggplot2

  • Tag 3: Statistische Inferenz und Modellierung in R - Hypothesentests und Regression

  • Tag 4: Maschinellen Lernens in R - Training und Modellbewertung mit mlr3

  • Tag 5: Praktisches Maschinelles Lernen in R - Optimierung und Modellselektion mit mlr3tuning

Veranstaltung ansehen →
Hybrid: Machine Learning Bootcamp in R
Juni
30
bis 4. Juli

Hybrid: Machine Learning Bootcamp in R

  • Google Kalender ICS

Der Machine Learning Bootcamp in R vermittelt in einzeln buchbaren Modulen elementare Methoden und Konzepte zur Anpassung und Optimierung von Vorhersagemodellen aus dem Bereich Predictive Modeling und Supervised Machine Learning (Modul 1), zum Auffinden von Strukturen in den Daten aus dem Bereich des Unsupervised Machine Learning (Modul 2), sowie praktisches Wissen zum interpretierbaren maschinellen Lernen (Modul 3).

Veranstaltung ansehen →
Hybrid: Data Analysis und Machine Learning in R
Okt.
6
bis 10. Okt.

Hybrid: Data Analysis und Machine Learning in R

  • Google Kalender ICS

Themen des Intensivkurses:

  • Tag 1: R Crashkurs - Technische Einführung und Grundlagen in R

  • Tag 2: Statistik und Datenanalyse in R - Explorative Analysen und Visualisierung mit ggplot2

  • Tag 3: Statistische Inferenz und Modellierung in R - Hypothesentests und Regression

  • Tag 4: Maschinellen Lernens in R - Training und Modellbewertung mit mlr3

  • Tag 5: Praktisches Maschinelles Lernen in R - Optimierung und Modellselektion mit mlr3tuning

Veranstaltung ansehen →

Webinar: Machine Learning Bootcamp in R
Feb.
26
bis 1. März

Webinar: Machine Learning Bootcamp in R

  • Google Kalender ICS

Der Machine Learning Bootcamp in R vermittelt in einzeln buchbaren Modulen elementare Methoden und Konzepte zur Anpassung und Optimierung von Vorhersagemodellen aus dem Bereich Predictive Modeling und Supervised Machine Learning (Modul 1), zum Auffinden von Strukturen in den Daten aus dem Bereich des Unsupervised Machine Learning (Modul 2), sowie praktisches Wissen zum interpretierbaren maschinellen Lernen (Modul 3).

Veranstaltung ansehen →