Teilnehmerzahlen für Workshops vorhersagen ist ein praktischer Kurs für Lernende mit grundlegenden pandas- und Regressionskenntnissen. Ein Gemeinschaftsstudio benötigt sieben Tage vor jedem Workshop eine Schätzung, um Material vorzubereiten. Du erstellst eine wiederholbare Analyse, die nur rechtzeitig bekannte Informationen verwendet, echte Vorhersagefehler misst und ein kleines Modell mit einer einfachen Baseline vergleicht.
Zwei Guided Labs erklären Vorhersagestichtag, Einfrieren des Trainings, datumsbasierte Auswertung, nur aus Trainingsdaten gelernte Behandlung fehlender Werte und eine kurze Regressions-Pipeline. Eine unabhängige Challenge überträgt dieselben Verfahren auf eine andere Saison. Jede Einheit hat eigene vorbereitete Daten; Dateien und Prozesse werden nicht übertragen. Die insgesamt 165 Minuten sind eine Schätzung des Autors mit Lesen und gewöhnlichen Korrekturen, keine gemessene Anfängerzeit.
Was du lernen wirst
- Sieben-Tage-Buchungsstände von endgültigen Buchungen und nachträglichen Einlass-Scans unterscheiden.
- Training vor späteren Vorhersagetagen einfrieren und spätere gelabelte Workshops zur Auswertung reservieren.
- Vorverarbeitung fehlender Werte an Trainingszeilen anpassen und ohne Lernen vom Holdout wiederverwenden.
- Kontinuierliche Regression mit einer Trainingsmedian-Baseline anhand des MAE in Personen vergleichen.
- Istwerte, Vorhersagen und gezeichnete Fehler über Workshop-IDs zuordnen.
- Zukunftsvorhersagen exportieren, ohne bekannte Ergebnisse vorzutäuschen.
Für wen dieser Kurs geeignet ist
Für Lernende, die grundlegende Regression in einen kleinen, ehrlichen Planungsablauf übertragen möchten.
Voraussetzungen: Python-Funktionen, Terminaleingabe, pandas-Auswahl und Joins, grundlegende Scikit-learn-Regression, Trainings-/Testtrennung und erste Matplotlib-Kenntnisse. Choosing Opening Hours from Data empfiehlt sich als Übung zum Verständnis von Daten und ihren Grenzen.
Lernumgebung: Eine browserbasierte WebIDE enthält originale synthetische CSV-Daten, Python, pandas, NumPy, Scikit-learn und Matplotlib. Lokale Installation und externe Datensatzkonten sind nicht nötig. Programme, Ausgaben und Oberflächenbeschriftungen bleiben Englisch.
Häufig gestellte Fragen
Muss das Modell die Baseline schlagen?
Nein. Ein korrekter Vergleich darf zeigen, dass es keinen Mehrwert bringt. Ziel ist eine ehrliche Auswertung, keine vorgeschriebene Punktzahl.
Stimme ich viele Modelle ab?
Nein. Du verwendest einen kleinen Ablauf aus Mittelwert-Imputation und linearer Regression. Entscheidend ist, was wann bekannt ist und was Fehler bedeuten.
Sind dies Produktivprognosen?
Nein. Die kleinen Datensätze sind originales synthetisches Lehrmaterial. Sie zeigen einen reproduzierbaren Ablauf, ohne Zuverlässigkeit für einen echten Veranstaltungsort nachzuweisen.
