Wer Empfehlungssysteme im Data-Science-Kontext aufbaut, braucht ein fundiertes Verständnis von Datenstrukturen, Klassifikationsverfahren und ihrer praktischen Einbettung. Der Kurs bündelt pandas-Aufbereitung, klassische Modelle, Power-BI-Reporting und eine strategische Einordnung in KI-Initiativen.


!Kursinhalt


!1. Datenmodell für Empfehlungslogik
*Daten einlesen und prüfen mit pandas
*Skalentypen und Datenaggregation
*Zusammenführen von Tabellen mit pandas und SQL
*Boolesche Maskierung für Nutzergruppen


!2. Modelle als Grundlage von Empfehlungen
*Logistische Regression als Klassifikator
*Lineare Regression für Score-Modelle
*Statistische Kenngrößen für Bewertungen
*Streudiagramme zur Modellprüfung


!3. Empfehlungen im Reporting verankern
*DAX-Measures für Empfehlungskennzahlen
*Filterkontexte für Zielgruppen
*Liniendiagramme für Verlaufsbeobachtung
*Identifikation von Ausreißern in Empfehlungsleistung


!4. Empfehlungssysteme verantwortungsvoll führen
*Use Cases im Geschäftsmodell identifizieren
*Risiken und Verzerrungen in Empfehlungen
*Governance-Strukturen für automatisierte Vorschläge
*EU-AI-Act-Anforderungen einordnen


!Berufliche Relevanz


*Gezielte Steuerung kundenrelevanter Vorschläge
*Datenbasierte Stützung von Geschäftslogik
*Verbindung zwischen Modell und Reporting
*Anschluss an strategische KI-Roadmaps