Die Teilnehmer lernen, Telekommunikationskundendaten aufzubereiten, Feature-Engineering-Techniken anzuwenden und mithilfe von R einen strukturierten Datensatz für die Abwanderungsprognose zu erstellen. Nach Abschluss dieses Kurses verfügen die Teilnehmer über praktische Kenntnisse in der Kodierung kategorialer Variablen, der Skalierung numerischer Merkmale, der Auswahl optimaler Modellparameter und der Organisation von Datensätzen für Machine-Learning-Workflows.

Dieser Kurs hilft den Teilnehmern, praktische Erfahrungen mit realen Herausforderungen bei der Abwanderungsprognose im Telekommunikationsbereich zu sammeln, wobei der Schwerpunkt auf den Schritten der Datenaufbereitung liegt, die sich direkt auf die Modellgenauigkeit auswirken. Die Teilnehmer lernen, wie sie Rohdaten aus der Telekommunikationsbranche in ein für maschinelles Lernen geeignetes Format umwandeln, die Vorverarbeitungslogik „K-Nearest Neighbors“ anwenden und Datensätze für eine unverzerrte Modellbewertung strukturieren. In angeleiteten, praxisorientierten Lektionen üben die Teilnehmer das Entfernen irrelevanter Variablen, das Erstellen und Reduzieren von Dummy-Variablen sowie das Aufteilen von Datensätzen in Trainings- und Testdatensätze. Was diesen Kurs einzigartig macht, ist sein durchgängiger, praxisorientierter Ansatz zur Abwanderungsprognose mit R, bei dem ein klarer Zusammenhang zwischen den Entscheidungen zur Datenvorverarbeitung und deren Auswirkungen auf die Prognoseleistung hergestellt wird. Dieser Kurs richtet sich an angehende Datenanalysten und Einsteiger in das maschinelle Lernen und schlägt eine Brücke zwischen Theorie und angewandter Analytik, sodass die Teilnehmer in der Lage sind, Telekommunikationsdatensätze für die Modellierung der Kundenabwanderung in realen Szenarien sicher aufzubereiten.