Data Analytics und Data Science praktisch umsetzen mit KNIME

Teil 1: Business Understanding und Konzepte des Data Minings

Zu Beginn der ersten Selbstlerneinheit lernst du, Anwendungsfälle zu identifizieren und zu beschreiben, wie du Business-Probleme durch die Analyse von Daten und die Anwendung von Machine Learning lösen kannst. Danach erfährst du alles über die Grundlagen und Voraussetzungen für eigene Datenprojekte und tauchst tief in die Konzepte von Datenstrukturen und Machine Learning ein:

• 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
• Bestärkendes Lernen (Reinforcement Learning)
• Daten erfassen und Relevanz beurteilen
• Big Data, Datentypen, Datenstrukturen
• Datenintegration, Datenquellen, Datenbanken
• Data Warehouse, virtuelle Datenbanken und Data Lake

Teil 2: Installation und Einführung in die Arbeit mit KNIME

Nachdem du alles über die Grundlagen und Konzepte der Data Science erfahren hast, machst du als nächstes die ersten Schritte in der praktischen Anwendung. Du machst dich mit der Anwendung des Tools KNIME vertraut, eine leistungsstarke Entwicklungsplattform für das Data Mining, mit der du komplexe Datenanalyse- und Data-Science-Projekte durchführen kannst:

• 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

Im zweiten Webinar blickst du gemeinsam mit den Referent:innen auf die Inhalte der ersten Selbstlernphase.

In diesem Modul lernst du alle Arbeitsschritte und Konzepte für die Vorbereitung der Daten für den Modeling-Prozess kennen. Zuerst analysierst du die Daten, indem du unterschiedliche Visualisierungstechniken anwendest, um Muster, Trends und Ausreißer zu erkennen. Danach bereinigst du die Daten und bereitest sie für die Transformation vor:

• 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
• Übungsprojekt zur Datenvorbereitung

Im dritten Webinar widmest du dich zusammen mit dem Referenten vor allem dem Übungsprojekt. Ein möglicher Lösungsweg wird vorgestellt. Natürlich besteht auch hier wieder ausreichend Möglichkeit, Fragen zu stellen.

Jetzt geht es an das Modeling auf Basis der Daten. Du lernst zuerst, wie du den passenden Algorithmus und die richtige Methodik findest, um optimale Ergebnisse zu erzielen. Im Anschluss daran fokussierst du dich darauf, wie man die Ergebnisse der Modelle adäquat bewertet und interpretiert. In Praxisübungen führst du die Prozesse selbst in KNIME aus und setzt dabei auch komplexere Klassifikations- und Clustering-Aufgaben um:

• 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
• Übungsprojekt zur Erstellung des Datenmodells

Das vierte Webinar nutzt du noch einmal für einen Deep-dive in die Modeling-Konzepte. Du wiederholst die wichtigsten Fakten über Algorithmen und Methodiken und setzt einen besonderen Fokus auf die Ergebnisbeurteilung der eingesetzten Modelle.

In der vierten Selbstlernphase geht es an die letzten Schritte im CRISP-DM-Prozess, die Evaluation und das Deployment des Datenmodells. Auch hier gehst du Schritt für Schritt anhand von Anleitungen und eigenen Praxisaufgaben in KNIME vor. Am Ende bringst du den gesamten Prozess in Produktion und überführst ihn in einen automatisierten KNIME-Workflow:

• 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
• Übungsprojekt zu Evaluation und Deployment

Im abschließenden Webinar widmest du dich dem Übungsprojekt aus Modul 8. Neben Insights für Lösungswege zur Aufgabe bekommst du vom Referenten auch Tipps und Hinweise zur Vorbereitung auf die Abschlussprüfung.