Suche

Datenliebe

Dr. Meike Wocken – Beratung, Programmierung und Schulungen

Die Informationsflut beherrschen

Zum Start der Blogbeiträge über Data Science, R Code, How Tos, Empirische Analysen & Methoden, etc. möchte ich gerne kurz das Berufsbild Data Scientist und meine tägliche Arbeit beschreiben. Dazu fasse ich den Artikel „Die Informationsflut beherrschen“ zusammen, den ich für den VDMA (Verband Deutscher Maschinen und Anlagenbau, www.vdma.org) gemeinsam mit den Data Scientists Kevin Ueckert (CLAAS KGaA mbH) und Sebastian Szugat (Adesso AG) genau zu diesem Thema schreiben durfte. Weiterlesen „Die Informationsflut beherrschen“

Hervorgehobener Beitrag

Statistik im Masterstudium Digitale Technologien: Zentraler Grenzwertsatz

Zur Vorbereitung meiner Vorlesung Statistik der Datenanalyse im Masterstudium Digitale Technologien an der FH Bielefeld habe ich heute u.a. die Vermittlung des Zentralen Grenzwertsatzes (ZGW) vorbereitet und einige Grafiken dazu in R erstellt.

Weiterlesen „Statistik im Masterstudium Digitale Technologien: Zentraler Grenzwertsatz“

Warenkorbinhalte clustern: Customer Analytics mit finite mixture models

Die Inhalte der Warenkörbe lassen Rückschlüsse auf die eigenen Kunden zu. Gibt es Warenkorbinhalte, die häufig zusammengekauft werden? Kann ich Informationen über meine Kundengruppen ableiten?

Eine Möglichkeit ist die Assoziationsanalysen. Aufgrund der Häufigkeiten von gemeinsam gekauften Produkten werden Regeln abgeleitet: Wenn X gekauft wird, dann wird auch Y gekauft. Das lässt allerdings die Heterogenität der Kundengruppe außer Acht. Es könnte sein, dass es eine Kundengruppe gibt, die zu Bratwürstchen immer Bier kauft, eine andere Kundengruppe hingegen zu Bratwürstchen kein Bier, dafür aber Salat-Zutaten im Warenkorb hat.

Eine andere Möglichkeit ist die Gruppierung der Warenkörbe zu verschiedenen Clustern. Clustering-Verfahren sind unsupervised, d.h. rein datengetrieben werden die Gruppen gebildet: innerhalb der Gruppe gibt es eine hohe Ähnlichkeit der Warenkorbinhalte, zwischen den Gruppen gibt es große Unterschiede.

Weiterlesen „Warenkorbinhalte clustern: Customer Analytics mit finite mixture models“

Chatbot bauen und Nachfrage prognostizieren: das nächste Data Science Meetup steht in den Startlöchern

Wir vom Data Science Bielefeld Team freuen uns, am 11.7.2019 um 19 Uhr in der Bürgerwache Bielefeld gleich zwei Referenten begrüßen zu dürfen. Zum einen kommt Matthias Ulrich, REWE Digital GmbH, zu uns mit einem Vortrag zum Thema „Distributional regression and model selection for demand forecasting in e-grocery“.

Weiterlesen „Chatbot bauen und Nachfrage prognostizieren: das nächste Data Science Meetup steht in den Startlöchern“

Windy gridworld: klassisches RL Problem mit R gelöst

Machine Learning versucht, basierend auf Erfahrungen Wissen über Entscheidungen zu generieren mit dem Ziel selbständig Entscheidungen treffen zu können. Erfahrungen sind dabei i.d.R. Daten aus der Vergangenheit, sogenannte Trainingsdaten. Die gewählten Trainingsdaten beeinflussen stark die Qualität der Entscheidungen, die der ML Algorithmus nach dem Training selbständig trifft. Nur so gut, wie die vergangenen Entscheidungen waren, kann dann der Algorithmus auch für zukünftige Entscheidungen lernen. Eine Ausnahme ist dabei das Reinforcement Learning. Über ein Belohnungssystem lernt der Algorithmus selber, welche Entscheidung die Belohnung maximiert.

Anfang Januar 2019 hatten wir bei unserem Data Science Bielefeld Meetup (www.datascience-bielefeld.de) Marcus Cramer (Head of Analytics) und David Middelbeck (Head of Product) von Westphalia DataLab bei uns zu Gast, die etwas zu “Reinforcement Learning – Optimierung von Logistikprozessen” erzählt hatten. Marcus hatte mit dem windy gridworld eines der klassischen Reinforcement Learning Beispiele mitgebracht.

Weiterlesen „Windy gridworld: klassisches RL Problem mit R gelöst“

Digitalisierung und KI in OWL

Nächste Woche halte ich an der FH Bielefeld einen Vortrag zu Chancen und Risiken intelligenter Datennutzung für den Mittelstand.

Das Programm der gesamten Veranstaltung Digitalisierung und KI in OWL: gender- und kompetenzbezogene Betrachtung + Anmeldung findet ihr hier: https://www.fh-bielefeld.de/hochschule/veranstaltungen/31-01-2019-digitalisierung-und-ki-in-owl

Ich freu mich drauf 🙂

Daten aus Google BigQuery mit R analysieren

BigQuery ist ein leicht skalierbares Data Warehouse in der Google Cloud. Mit Standard SQL Abfragen kann auf Daten zugegriffen werden und mittels R-Paket bigrquery kann ich Daten aus BigQuery auch leicht in R verwenden. BigQuery, der Hidden Champion von Google 🙂 Weiterlesen „Daten aus Google BigQuery mit R analysieren“

Optimierungsalgorithmen: Anwendungsbeispiele des genetischen Algorithmus

Machine Learning (ML) Methoden sind eng verknüpft mit Optimierungsverfahren. Im ML wird in der Regel eine Zielfunktion definiert, deren Optimum mittels Optimierungsalgorithmus ermittelt werden muss. Auch zur Verbesserung von ML Methoden kann Optimierung verwendet werden, z.B. bei der Feature Selection (ein Anwendungsbeispiel gibt es unten im Beitrag). Daneben können Optimierungsmethoden auch im Operations Research eingesetzt werden, um komplexe, mathematisch formulierte Probleme z.B. aus dem Bereich Supply Chain- und Logistik-Optimierung zu lösen. Weiterlesen „Optimierungsalgorithmen: Anwendungsbeispiele des genetischen Algorithmus“

Grüße Zwischen den Jahren

Ein aufregendes Jahr 2018 geht zu Ende. Meine „Datenliebe“ wurde realisiert und es konnten bereits einige tolle Projekte umgesetzt werden. Unsere Familie wurde größer, es wurde lauter und bunter.

Herzlichen Dank für die gute Zusammenarbeit mit Kolleginnen und Kollegen, den Austausch mit Interessenten, die Kontakte, unter anderem auch über den Pioneers Club wo ich seit Oktober Mitglied bin, und das großartige Data Science Bielefeld Meetup.

In das Jahr 2019 starte ich mit neuen Aufgaben und Ideen. Ich freue mich darauf!

Guten Rutsch ins neue Jahr!

Meike Wocken

Statistische Beratung: Analyse relativer Genexpression

Im Rahmen einer experimentellen Studie zu relativen Genexpressionen waren Unterschiede in zwei Gruppen statistisch zu bewerten und daraus Zusammenhänge abzuleiten.

Weiterlesen „Statistische Beratung: Analyse relativer Genexpression“

Create a website or blog at WordPress.com

Nach oben ↑