Suche

Datenliebe

Dr. Meike Wocken – Beratung, Programmierung und Schulungen

Kategorie

Data Science

Farmhack 2019: zusammenhängende Signale, Peaks und Earth-Mover-Distance

Im Beitrag  zum Farmhack 2019 hatte ich bereits über die von mir bearbeitete Challenge berichtet. Wir waren insgesamt sieben Teammitglieder und hatten die Entwicklungsaufgaben aufgesplittet. Hier eine kurze Skizze meines Lösungsbeitrags mit R Code:

Weiterlesen „Farmhack 2019: zusammenhängende Signale, Peaks und Earth-Mover-Distance“

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“

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“

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“

OpenData Bielefeld und Data Science Bielefeld Meetup #3

Das nächste Data Science Bielefeld Meetup findet morgen statt (mehr Infos hier). Neben einem Vortrag von Dr. Markus Köster zu Data Analytics für Produktionsanlagen wird es einen zweiten Code Sprint geben, der sich mit Daten aus dem OpenData-Portal der Stadt Bielefeld beschäftigt.

Die Stadt Bielefeld hatte 2016 beschlossen, die Idee von Open Data zu unterstützen und hat dafür die Plattform https://open-data.bielefeld.de eingerichtet. Dort stehen jetzt Daten zur Verfügung, wie z.B. die Klassenbesetzungsübersichten für die Bielefelder Schulen 2017 Weiterlesen „OpenData Bielefeld und Data Science Bielefeld Meetup #3“

Create a website or blog at WordPress.com

Nach oben ↑