Data Science Business Professional

Basierend auf dem branchenübergreifenden Prozessmodell CRISP DM werden in diesem Modul alle relevanten Phasen erklärt, die im Rahmen eines Data Science-Projekts von Bedeutung sind.

• Business Problem
  Der Ausgangspunkt eines jeden Data Science Projektes ist immer ein reales Business Problem, welches uns im Alltag begegnet.
• 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 Algorithmen lösen können.

• Datensammlung 
  Machine Learning Algorithmen brauchen in der Regel eine große Menge an Daten von guter Qualität. Hier beschäftigen Sie sich mit einer gut durchdachten Datensammlungsstrategie.

• Datenintegration
  Die Datenintegration stellt einen grundlegenden Teil im Data Science Cycle dar. In dieser Lerneinheit erfahren Sie: Daten aus unterschiedlichen Datenquellen zu harmonisieren und zu vereinheitlichen.

• Datenvorbereitung und -bereinigung
  Hier erfahren Sie mehr über Strategien und Maßnahmen, um Datensätze von fehlenden oder fehlerhaften Werten zu befreien.

• Datenvisualisierung und -analyse
  Auf Basis erster Analysen und Visualisierungen der Daten untersuchen wir, welche Eigenschaften im Datensatz miteinander in Verbindung stehen (zum Beispiel das Alter von Kunden sowie deren Kaufentscheidung für ein bestimmtes Produkt).

• Auswahl der Eigenschaften
  In diesem Schritt geht es um die Auswahl an Eigenschaften, also Variablen, die wir verwenden wollen, um einen Machine Learning Algorithmus zu trainieren.

• Algorithmus- und Methodikauswahl

  Im nächsten Schritt wählen wir Algorithmen aus und trainieren diese mit den ausgewählten Eigenschaften unseres Datensatzes
• Ergebnisbeurteilung
  Bevor wir ein trainiertes Modell final in der Praxis umsetzen können, unterziehen wir es einer gründlichen Evaluation und fragen uns, ob es uns helfen kann, unser Business Problem zu lösen und damit unsere Business-Ziele zu erreichen.
• Deployment, Überwachung & Fehlersuche
  In der finalen Phase finden wir heraus, ob unser trainiertes Modell gut funktioniert, sodass wir es produktiv im Unternehmen einsetzen und unser Business Problem nachhaltig lösen können.

   

In Modul 3 lernen Sie die Open-Source-Software KNIME kennen. KNIME bietet Ihnen die Möglichkeit, Ihre Daten mit geringem Aufwand visuell aufzubereiten. Darüber hinaus ist KNIME eine vollwertigen Machine Learning-Anwendung, die völlig ohne Programmierkenntnisse bedient werden kann. 

• Einführung in KNIME
  Erste Schritte in KNIME. Erklärung aller wichtigen Komponenten der KNIME-Benutzeroberfläche. Sie installieren die KNIME-Anwendung und importieren einen ersten Beispieldatensatz.
• Datenimport
  In diesem Modul gehen wir näher auf die Nodes (Netzwerkknoten) für den Import ein.
• Datentransformation
  Im nächsten Schritt werden verschiedene Nodes der Datentransformation beschrieben und erklärt.
• Datenvisualisierung
  Es werden die verschiedenen Nodes (Netzwerkknoten) zur Datenvisualisierung präsentiert.
• Datenbereinigung
  Wir beschäftigen uns praxisnah mit der Datenbereinigung.
• Dokumentation & Workflow Organisation
  Sie lernen Verfahren zu Dokumentation und Workflow Organisation kennen.
• Weiterführende Datentransformation
  Es werden weitere Nodes zur Datentransformation eingeführt und erklärt.
• Machine Learning
  Hier wird die Anwendung von Machine Learnings in KNIME verdeutlicht und erklärt.
• Datenexport
  Es werden Nodes (Netzwerkknoten) zum Datenexport beschrieben und erklärt.