!Grundlagen und Methoden des Machine Learning *Funktion und Nutzen von Machine Learning *Grundlegende Algorithmen: lineare/logistische Regression *Entscheidungsbaum-Lernen und Ensemble-Methoden *Support Vector Machines (SVM) *Neuronale Netze und Deep Learning *Unüberwachtes Lernen: Clustering *Dimensionalitätsreduktion: PCA und t-SNE *Regressionstechniken und Regularisierung: Lasso und Ridge *Aktuelle Trends im maschinellen Lernen und Ausblick in die Zukunft !Statistische Datenanalyse mit R *Grundlagen der Arbeit mit R *Datenmanagement und deskriptive Statistiken in R *Umgang und Untersuchung von Datensätzen sowie Skalenbildung *Importieren, Analysieren und Exportieren von Datensätzen *Deskriptive Statistik: Analysen und Untersuchungen !Datenvisualisierung in R *Einführung in die Datenanalyse und Datenvisualisierung *Diagramme in ggplot2 *Zusammenhänge zwischen Variablen und Diagrammen *Modifizieren von Diagrammen *Streudiagramme, Korrelationsdiagramme und analytische Tests !Statistische Tests und Regressionsanalyse *Regressionsanalysen *Lineare Regression, Moderation und Mediation *Ordinal logistische Regression *T-Test *Einstichproben-Wilcoxon-Test und Chi2-Test