Data Science Express

Modul 1: Thematische Einführung und methodische Grundlagen zu Data Science und Einführung in KNIME

Woher kommt Data Science?

• Was ist Supervised und Unsupervised Learning?
• Statistische Grundlagen, die für maschinelles Lernen und Data Science unerlässlich sind.
• Einführung in die Konzepte der Regression, Klassifikation und Clustering.
• Grundsätzliches zum Training und Testing von Machine-Learning-Modellen (Stichproben).
• Beliebte Fehler beim Machine Learning.

Identifikation potenzieller Einsatzfelder (z.B. in Controlling, Marketing, Sales, Produktion).

Der Datenanalyse-Prozess

Wichtige Rollen in Data-Science-Projekten (Citizen Data Scientist, Product Owner etc.).

Wichtigste Projektmanagementmethode "CRISP-DM" als Standard in der Datenanalyse.

• Business Understanding: Ziele, Anforderungen, Fragen.
• Data Understanding: Datenstruktur und Datenqualität.
• Data Preparation: Daten bereinigen, filtern, formatieren.
• Modeling: Datenmodelle entwickeln und validieren.
• Evaluation: Modelle überprüfen und an Geschäftszielen ausrichten.
• Deployment: Modelle für die Datenanalyse in Betrieb nehmen.
• Re-Training von Machine-Learning-Modellen.

KNIME Analytics Platform

• Grundlagen.
• Arbeiten mit der Software.
• Import gängiger Fileformate und Anbindung an Quellsysteme.
• Zusammenführung mehrerer Datenquellen (… und Bereinigung).
• Explorative Datenanalyse und Visualisierung.

Modul 2: Daten verstehen, transformieren und nutzen

Konzepte und Prozesse der Datenbearbeitung

Praktische Übungen mit KNIME

• Datenbereinigung und Datenqualität.
• Reorganisation des Datensatzes.
• Metriken der deskriptiven Statistiken.
• Daten transformieren.
• Berechnungen einbinden.

Aufgabe: Selbstständiges Lösen einer Aufgabe mit KNIME in Vorbereitung auf Modul 3.

Modul 3: Maschinelles Lernen

Feedback zur selbstständigen Aufgabe aus Modul 2

Umgang mit Daten und was dabei beachtet werden muss

• Bewertung der Modelle (Overfitting, Underfitting, Data Leakage etc.).
• Modellanwendung, operationalisieren von ML-Learning.
• Export der Ergebnisse in verschiedene Formate.
• Datensicherung und weitere Verwendung.
• Bereitstellung von Daten für andere Tools.

Einblick in wesentliche Verfahren anhand von Fallstudien

• Erläuterung der gängigsten Machine-Learning-Verfahren.
• Zeitreihenanalysen.
• Praktische Übungen mit KNIME.
• Übung zum Clustering von Kundensegmenten.
• Übung zu Prognoseverfahren.
• Best Practice zur Gestaltung von Data Science Projekten.

Ausblick und organisatorische Maßnahmen.