Data Science Business Professional

Im zweiten Modul bearbeiten Sie insgesamt zehn Lerneinheiten. Diese Lerneinheiten erklären Ihnen alle Phasen, die im Rahmen eines Data Science-Projektes von Bedeutung sind. Neben diesen zehn Lerneinheiten beinhaltet das Modul 2 außerdem zwei WebTalks mit Ihrem Trainer, in dem alle offenen Fragen geklärt werden können.
 

Business Problem

Der Ausgangspunkt eines jeden Data-Science-Projektes ist immer ein reales Business Problem. Für die erfolgreiche Umsetzung von Data Science Projekten in Unternehmen ist es wichtig, dass der unternehmerische Mehrwert solcher Projekte in den Vordergrund gerückt wird.

KI-Anwendungsfall

Unser Business Problem übersetzen wir nun in einen konkreten KI-Anwendungsfall. Das heißt, Sie überlegen sich, wie Sie Ihr Business Problem durch die Analyse von Daten und die Anwendung von Machine Learning lösen können. Dabei werden drei Formen des Machine Learning unterschieden.

Datensammlung

Machine-Learning-Algorithmen brauchen in der Regel eine große Menge an Daten von guter Qualität. Doch wo finden Sie Daten in Ihrem Unternehmen? Wie können Sie diese Daten mit externen Daten ergänzen? Und welche Rolle spielt die Data Privacy? In dieser Lerneinheit beschäftigen Sie sich mit einer gut durchdachten Datensammlungsstrategie.

Datenintegration

Wenn Daten in verschiedenen Systemen gesammelt und gespeichert werden, müssen sie zunächst harmonisiert und vereinheitlicht werden. Dies ist das Ziel der Datenintegration. Die Datenintegration kann sehr anspruchsvoll sein, da unterschiedliche Datenquellen durchaus heterogen sein können, sowohl was den Inhalt als auch das Format der Datenquellen betrifft. Außerdem gibt es verschiedene Strategien für die Datenintegration.

Datenvorbereitung und -bereinigung

Bevor die gesammelten und integrierten Daten nun weiter genutzt werden können, müssen sie auf etwaige Probleme überprüft werden, und diese Probleme müssen auch gelöst werden. Hier erfahren Sie mehr über Strategien und Maßnahmen, um Datensätze von fehlenden oder fehlerhaften Werten zu befreien.

Datenvisualisierung und -analyse

Sobald ein bereinigter Datensatz vorliegt, folgt üblicherweise eine erste Untersuchung der Daten mit Visualisierungen und Parameterberechnungen. Diese ersten Analysen sind eine wichtige Grundlage für die Entscheidung, welche Eigenschaften im Datensatz vertieft untersucht werden sollen.

Auswahl der Eigenschaften

In dieser Lerneinheit geht es um die Auswahl an Eigenschaften, also Variablen, die wir verwenden wollen, um einen Machine- Learning-Algorithmus zu trainieren. Dabei gibt es grundsätzlich unterschiedliche Herangehensweisen, deren Vor- und Nachteile Sie unbedingt kennen sollten.

Algorithmus- und Methodikauswahl

In dieser Lerneinheit wiederholen wir noch einmal kurz die verschiedenen Arten des maschinellen Lernens. Anschließend schauen wir uns für jede dieser Methoden viele unterschiedliche Algorithmen sowie deren Vor- und Nachteile an.

Ergebnisbeurteilung

Sobald die Ergebnisse eines maschinellen Trainingsvorgangs vorliegen, muss der Anwender entscheiden, ob das Ergebnis des Trainingsvorgangs für den gewünschten Einsatzzweck geeignet ist. Zentral ist hier vor allem die Frage, ob das Ergebnis uns helfen kann, unser Business Problem zu lösen und damit unsere Business-Ziele zu erreichen. In der Praxis ist die Beurteilungskompetenz für maschinelle Modelle von zentraler Wichtigkeit. Selbst wenn Sie die Analyse als Service zugekauft haben, liegt die Beurteilung der Güte und die Entscheidung über die weitere Verwendung des trainierten Modells bei Ihnen als zukünftiger:m Nutzer:in. 

Deployment, Überwachung & Fehlersuche

Nach der erfolgreichen Entwicklung eines Machine-Learning-Modells muss dieses schlussendlich auch Anwendung finden. Deshalb geht es in dieser Lerneinheit um die Verteilung des Modells, um das Monitoring, die Fehlerbehebung und die Weiterentwicklung.

In Modul 3 lernen Sie die Open-Source-Software KNIME kennen. KNIME ist eine sehr vielseitige Anwendung, mit der vollwertige Data Science-Projekte durchgeführt werden können, ohne dass Programmierkenntnisse erforderlich sind. Das Modul 3 besteht erneut aus 10 Lerneinheiten und zwei WebTalks mit einer:m Trainer:in, um aufkommende Rückfragen zu klären. 

Einführung in KNIME

Sie erhalten eine erste Einführung in KNIME und die KNIME-Benutzeroberfläche. Sie installieren die Anwendung und richten sie ein.

Datenimport

In dieser Lerneinheit geht es darum, Daten aus verschiedenen Quellen in KNIME zu importieren. 

Datentverknüpfung

Zu Beginn eines Datenprojektes ist es häufig nötig, Daten aus verschiedenen Quellen in einem Datensatz zusammenzufassen. In dieser Lerneinheit lernen Sie verschiedene Methoden kennen, um Daten aus verschiedenen Quellen in KNIME zu verknüpfen.

Datenvisualisierung und -analyse

Hier erfahren Sie alles über die verschiedenen Funktionen zur Visualisierung und deskriptiven Analyse Ihrer Daten in KNIME.

Datenbereinigung

Welche Datentypen gibt es in KNIME? Welche Funktionen bietet KNIME, um mit fehlenden oder falschen Datenwerten umzugehen? In dieser Lerneinheit beschäftigen wir uns praxisnah mit der Datenbereinigung.

Dokumentation & Workflow-Organisation

Für Data Science-Projekte, die über einen längeren Zeitraum laufen oder von verschiedenen Personen betreut werden, ist es wichtig, dass Sie Ihren Workflow in KNIME nachvollziehbar gestalten. Sie lernen Verfahren zur Dokumentation und Workflow-Organisation kennen.

Weiterführende Datentransformation

In Data Science-Projekten ist es manchmal nötig, Daten zu transformieren, um sie sinnvoll weiterverwenden zu können. Dazu gehört beispielsweise die Umformung oder die Neuberechnung von Variablen.

Machine Learning

In dieser Lerneinheit lernen Sie verschiedene Möglichkeiten des maschinellen Lernens in KNIME kennen. Vor allem geht es aber darum, wie Sie ein in KNIME erstelltes Modell bewerten können.

Datenexport

Zum Abschluss eines Data Science-Projektes werden Sie Ihre Daten häufig aus KNIME exportieren und in anderen Anwendungen weiterverwenden. Dazu stehen Ihnen einen Reihe an Export-Nodes zur Verfügung. Diese werden hier erläutert.

Zusatzaufgabe 
Am Ende des dritten Moduls bearbeiten Sie eine Vertiefungsaufgabe mit einem realistischen Datensatz. Anhand mehrerer Übungen werden Sie so durch alle Schritte eines Data Science-Projektes geführt. Somit haben Sie die Möglichkeit, das Gelernte praxis- und alltagsnah anzuwenden.