16  Fallstudien

16.1 Lernsteuerung

16.1.1 Lernziele

• Sie können die Techniken des Maschinellen Lernens mit dem Tidymodels-Ansatz flüssig anbringen.

16.1.2 Literatur

• Rhys, Kap. 12

16.2 Fallstudien zur explorativen Datenanalyse

FALLSTUDIEN - NUR EXPLORATIVE DATENANALYSE

• Datenjudo mit Pinguinen

• Data-Wranglinng-Aufgaben zur Lebenserwartung

• Case study: data vizualization on flight delays using tidyverse tools

• Aufgabe zur Datenvisualisierung des Diamantenpreises

• Fallstudie Flugverspätungen - EDA

• Fallstudie zur EDA: Top-Gear

• Fallstudie zur EDA: OECD-Wellbeing-Studie

• Fallstudie zur EDA: Movie Rating

• Fallstudie zur EDA: Women in Parliament

• Finde den Tag mit den meisten Flugverspätungen, Datensatz ‘nycflights13’

• Cleaning and visualizing genomic data: a case study in tidy analysis

• Tidyverse Case Study: Exploring the Billboard Charts

• Analyse einiger RKI-Coronadaten: Eine reproduzierbare Fallstudie

• OpenCaseStudies - Health Expenditure

• Open Case Studies: School Shootings in the United States - includes dashboards

• Open Case Studies: Disparities in Youth Disconnection

• YACSDA Seitensprünge

• The Open Case Study Search provides a nice collection of helpful case studies.

• ifes@FOM Fallstudienseite

16.3 Fallstudien zu linearen Modellen

FALLSTUDIEN - NUR LINEARE MODELLE

• Beispiel für Prognosemodellierung 1, grundlegender Anspruch, Video

• Beispiel für Ihre Prognosemodellierung 2, mittlerer Anspruch

• Beispiel für Ihre Prognosemodellierung 3, hoher Anspruch

• Fallstudie: Modellierung von Flugverspätungen

• Modelling movie successes: linear regression

• Movies

• Fallstudie Einfache lineare Regression in Base-R, Anfängerniveau, Kaggle-Competition TMDB

• Fallstudie Sprit sparen

• Fallstudie zum Beitrag verschiedener Werbeformate zum Umsatz; eine Fallstudie in Python, aber mit etwas Erfahrung wird man den Code einfach in R umsetzen können (wenn man nicht in Python schreiben will)

• Practical Linear Regression with R: A case study on diamond prices

• Case Study: Italian restaurants in NYC

• Vorhersage-Modellierung des Preises von Diamanten

• Modellierung Diamantenpreis 2

16.4 Fallstudien zum maschinellen Lernen mit Tidymodels

FALLSTUDIEN - MASCHINELLES LERNEN MIT TIDYMODELS

• Experimenting with machine learning in R with tidymodels and the Kaggle titanic dataset

• Tutorial on tidymodels for Machine Learning

• Classification with Tidymodels, Workflows and Recipes

• A (mostly!) tidyverse tour of the Titanic

• Personalised Medicine - EDA with tidy R

• Tidy TitaRnic

• Fallstudie Seegurken

• Sehr einfache Fallstudie zur Modellierung einer Regression mit tidymodels

• Fallstudie zur linearen Regression mit Tidymodels

• Analyse zum Verlauf von Covid-Fällen

• Fallstudie zur Modellierung einer logististischen Regression mit tidymodels

• Fallstudie zu Vulkanausbrüchen (Resampling and kein Tuning)

• Fallstudie Himalaya (Resampling and kein Tuning)

• Fallstudien zu Studiengebühren

• 1. Modell der Fallstudie Hotel Bookings

• Aufgaben zur logistischen Regression, PDF

• Fallstudie Oregon Schools

• Fallstudie Windturbinen

• Fallstudie Churn

• Einfache Durchführung eines Modellierung mit XGBoost

• Fallstudie Oregon Schools

• Fallstudie Churn

• Fallstudie Ikea

• Fallstudie Wasserquellen in Sierra Leone

• Fallstudie Bäume in San Francisco: Random Forest tunen

• Fallstudie Vulkanausbrüche

• Fallstudie Brettspiele mit XGBoost

• Fallstudie Serie The Office: Lasso tunen

• Fallstudie NBER Papers

• Fallstudie Einfache lineare Regression mit Tidymodels, Kaggle-Competition TMDB

• Fallstudie Einfaches Random-Forest-Modell mit Tidymodels, Kaggle-Competition TMDB

• Fallstudie Workflow-Set mit Tidymodels, Kaggle-Competition TMDB

• Fallstudie Titanic mit Tidymodels bei Kaggle

• Einfache Fallstudie mit Tidymodels bei Kaggle

• Exploring the Star Wars “Prequel Renaissance” Using tidymodels and workflowsets

• Classification modelling workflow using tidymodels, Konstantinos Patelis

• Tune xgboost models with early stopping to predict shelter animal status

• Predicting injuries for Chicago traffic crashes: Resampling BAG Tree

• Using tidymodels to Predict Health Insurance Cost: Resmapling

16.5 Vertiefung

• Projektmanagement mit Targets

• Wie man eine Data-Science-Projekt strukturiert

• Hausmeisterarbeit mit {{janitor}}

16.6 Aufgaben

• Bearbeiten Sie eine Auswahl von Fallstudien Ihrer Wahl aus dieser Sammlung