Ziel: Importieren, Organisieren und Aufbereiten von Daten für die nachfolgende Analyse. Dies beinhaltet Normalisieren der Daten und Umgang mit Datenlücken.

• Datentypen
• Tabellarische Daten
• Kategoriale Daten
• Datenaufbereitung

Ziel: Verwenden von Methoden des unüberwachten Lernens, um Beobachtungen zu gruppieren und natürliche Muster aufzudecken.

• Unüberwachtes Lernen
• Clusteranalyse
• Auswertung und Interpretation von Clustern

Ziel: Erstellen diskreter Vorhersagemodelle durch Methoden des überwachten Lernens und Auswerten der Vorhersagegenauigkeit.

• Überwachtes Lernen
• Training und Validierung
• Klassifikationsmethoden

Ziel: Reduzieren der Dimensionalität von Datensätzen um Vorhersagemodelle zu vereinfachen. Verbesserung des Modells durch Auswahl geeigneter Algorithmen.

• Kreuzvalidierungsverfahren
• Transformation von Merkmalen
• Auswahl von Merkmalen
• Ensemble-Learning-Algorithmen (Boosting und Bagging)

Ziel: Erstellen und Auswerten kontinuierlicher Vorhersagemodelle durch Methoden des überwachten Lernens.

• Parametrische Regressionsmodelle
• Nichtparametrische Regressionsmodelle
• Auswerten von Regressionsmodellen

Ziel: Erstellen und Trainieren neuronaler Netze um Muster in Daten zu erkennen (Clusteranalyse) und Vorhersagen zu treffen. Anpassen der Netzwerkarchitektur zur Verbesserung der Performance.

• Clustern mit selbstorganisierenden Karten (self-organizing maps)
• Klassifikation mit vorwärtsgerichteten neuronalen Netzen (feed-forward neural networks)
• Regression mit vorwärtsgerichteten neuronalen Netzen (feed-forward neural networks)