Inhalte

1. Business Understanding für die Datenanalyse

Wissens-Check Data Science und Künstliche Intelligenz
Die Fähigkeiten und Rolle des Data Scientisten
Die Zusammensetzung von Daten-Teams
Vertikale Anwendungsfelder in Unternehmen
Horizontale Anwendungsfelder in Unternehmen
Überwachtes Lernen: Klassifikation, Regression, Zeitreihen
Unüberwachtes Lernen: Segmente, Anomalien, Muster
Verstärkendes Lernen (Reinforcement Learning)
Daten erfassen und Relevanz beurteilen
Big Data, Datentypen, Datenstrukturen
Datenintegration, Datenquellen, Datenbanken
Data Warehouse, virtuelle Datenbanken und Data Lake

2. Bedienung und erste Schritte in KNIME

Installation und Workspace einrichten
Das Konzept der Nodes und Workflows
Die Benutzeroberfläche kennenlernen
Excel Reader und Konfigurationsmenü
Outputs und weitere Import-Nodes
Dokumentation und Workflow-Organisation

3. Data Understanding und Data Preparation

Datenvorbereitung: Probleme erkennen
Strategien zur Problembehebung
Harmonisierung von Zeitreihen
Datenvisualisierung und Datenanalyse
Tabellen, Diagramme, Parameter, Kovarianz
Datenvisualisierung in KNIME
Datenbereinigung in KNIME
Datentransformation in KNIME

4. Data Modeling

Eigenschaften für das Modeling
Algorithmus und Methodik auswählen: Klassifizierung und KNN
Ergebnis beurteilen: Klassifizierung und KNN
Machine Learning in KNIME: Klassifikation
Algorithmus und Methodik auswählen: Regression und Clustering
Ergebnis beurteilen: Regression und Clustering
Machine Learning in KNIME: Komplexe Klassifikation und Clustering

5. Deployment, Überwachung und Fehlersuche

Implementierung des Modells
Strukturiertes Testing des Modells
Systematische Fehlersuche
Überwachung und Überprüfung
Wartung und Aktualisierung
Export von Daten in Datenbanken
Erstellen und Versenden von Reports
Automatisierte Ausführung des KNIME-Workflows

6. Abschlussprojekt

Nach den Praxisaufgaben, mit denen verschiedene Szenarien und die einzelnen Stufen des CRIPS-DM-Prozesses eingeübt wurden, steht am Ende des Kurses  ein Abschlussprojekt, in dem der ganze Datenanalyse-Prozess durchlaufen wird.