Das erste Webinar startet mit einer detaillierten Vorstellung von Aufbau und Zielen für den Kurs. Gemeinsam wird auch ein Blick auf die ersten Lerneinheiten geworfen und persönliche Erwartungen besprochen.

Das erste Webinar startet mit einer detaillierten Vorstellung von Aufbau und Zielen für den Kurs. Gemeinsam wird auch ein Blick auf die ersten Lerneinheiten geworfen und persönliche Erwartungen besprochen.

Das erste Webinar startet mit einer detaillierten Vorstellung von Aufbau und Zielen für den Kurs. Gemeinsam wird auch ein Blick auf die ersten Lerneinheiten geworfen und persönliche Erwartungen besprochen.

Das erste Webinar startet mit einer detaillierten Vorstellung von Aufbau und Zielen für den Kurs. Gemeinsam wird auch ein Blick auf die ersten Lerneinheiten geworfen und persönliche Erwartungen besprochen.

Das erste Webinar startet mit einer detaillierten Vorstellung von Aufbau und Zielen für den Kurs. Gemeinsam wird auch ein Blick auf die ersten Lerneinheiten geworfen und persönliche Erwartungen besprochen.

Teil 1: Business Understanding und Konzepte des Data Minings

Zu Beginn der ersten Selbstlerneinheit lernen Sie, Anwendungsfälle zu identifizieren und zu beschreiben, wie Sie Business-Probleme durch die Analyse von Daten und die Anwendung von Machine Learning lösen können. Danach erfahren Sie alles über die Grundlagen und Voraussetzungen für eigene Datenprojekte und tauchen 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 Sie alles über die Grundlagen und Konzepte der Data Science erfahren haben, machen Sie als nächstes die ersten Schritte in der praktischen Anwendung. Sie machen sich mit der Anwendung des Tools KNIME vertraut, eine leistungsstarke Entwicklungsplattform für das Data Mining, mit der Sie komplexe Datenanalyse- und Data -Science-Projekte durchführen können:

• 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

Teil 1: Business Understanding und Konzepte des Data Minings

Zu Beginn der ersten Selbstlerneinheit lernen Sie, Anwendungsfälle zu identifizieren und zu beschreiben, wie Sie Business-Probleme durch die Analyse von Daten und die Anwendung von Machine Learning lösen können. Danach erfahren Sie alles über die Grundlagen und Voraussetzungen für eigene Datenprojekte und tauchen 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 Sie alles über die Grundlagen und Konzepte der Data Science erfahren haben, machen Sie als nächstes die ersten Schritte in der praktischen Anwendung. Sie machen sich mit der Anwendung des Tools KNIME vertraut, eine leistungsstarke Entwicklungsplattform für das Data Mining, mit der Sie komplexe Datenanalyse- und Data -Science-Projekte durchführen können:

• 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

Teil 1: Business Understanding und Konzepte des Data Minings

Zu Beginn der ersten Selbstlerneinheit lernen Sie, Anwendungsfälle zu identifizieren und zu beschreiben, wie Sie Business-Probleme durch die Analyse von Daten und die Anwendung von Machine Learning lösen können. Danach erfahren Sie alles über die Grundlagen und Voraussetzungen für eigene Datenprojekte und tauchen 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 Sie alles über die Grundlagen und Konzepte der Data Science erfahren haben, machen Sie als nächstes die ersten Schritte in der praktischen Anwendung. Sie machen sich mit der Anwendung des Tools KNIME vertraut, eine leistungsstarke Entwicklungsplattform für das Data Mining, mit der Sie komplexe Datenanalyse- und Data -Science-Projekte durchführen können:

• 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

Teil 1: Business Understanding und Konzepte des Data Minings

Zu Beginn der ersten Selbstlerneinheit lernen Sie, Anwendungsfälle zu identifizieren und zu beschreiben, wie Sie Business-Probleme durch die Analyse von Daten und die Anwendung von Machine Learning lösen können. Danach erfahren Sie alles über die Grundlagen und Voraussetzungen für eigene Datenprojekte und tauchen 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 Sie alles über die Grundlagen und Konzepte der Data Science erfahren haben, machen Sie als nächstes die ersten Schritte in der praktischen Anwendung. Sie machen sich mit der Anwendung des Tools KNIME vertraut, eine leistungsstarke Entwicklungsplattform für das Data Mining, mit der Sie komplexe Datenanalyse- und Data -Science-Projekte durchführen können:

• 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

Teil 1: Business Understanding und Konzepte des Data Minings

Zu Beginn der ersten Selbstlerneinheit lernen Sie, Anwendungsfälle zu identifizieren und zu beschreiben, wie Sie Business-Probleme durch die Analyse von Daten und die Anwendung von Machine Learning lösen können. Danach erfahren Sie alles über die Grundlagen und Voraussetzungen für eigene Datenprojekte und tauchen 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 Sie alles über die Grundlagen und Konzepte der Data Science erfahren haben, machen Sie als nächstes die ersten Schritte in der praktischen Anwendung. Sie machen sich mit der Anwendung des Tools KNIME vertraut, eine leistungsstarke Entwicklungsplattform für das Data Mining, mit der Sie komplexe Datenanalyse- und Data -Science-Projekte durchführen können:

• 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 blicken Sie gemeinsam mit den Referent:innen auf die Inhalte der ersten Selbstlernphase. 

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

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

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

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

In diesem Modul lernen Sie alle Arbeitsschritte und Konzepte für die Vorbereitung der Daten für den Modeling-Prozess kennen. Zuerst analysieren Sie die Daten, indem Sie unterschiedliche Visualisierungstechniken anwenden, um Muster, Trends und Ausreißer zu erkennen. Danach bereinigen Sie die Daten und bereiten 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

In diesem Modul lernen Sie alle Arbeitsschritte und Konzepte für die Vorbereitung der Daten für den Modeling-Prozess kennen. Zuerst analysieren Sie die Daten, indem Sie unterschiedliche Visualisierungstechniken anwenden, um Muster, Trends und Ausreißer zu erkennen. Danach bereinigen Sie die Daten und bereiten 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

In diesem Modul lernen Sie alle Arbeitsschritte und Konzepte für die Vorbereitung der Daten für den Modeling-Prozess kennen. Zuerst analysieren Sie die Daten, indem Sie unterschiedliche Visualisierungstechniken anwenden, um Muster, Trends und Ausreißer zu erkennen. Danach bereinigen Sie die Daten und bereiten 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

In diesem Modul lernen Sie alle Arbeitsschritte und Konzepte für die Vorbereitung der Daten für den Modeling-Prozess kennen. Zuerst analysieren Sie die Daten, indem Sie unterschiedliche Visualisierungstechniken anwenden, um Muster, Trends und Ausreißer zu erkennen. Danach bereinigen Sie die Daten und bereiten 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

In diesem Modul lernen Sie alle Arbeitsschritte und Konzepte für die Vorbereitung der Daten für den Modeling-Prozess kennen. Zuerst analysieren Sie die Daten, indem Sie unterschiedliche Visualisierungstechniken anwenden, um Muster, Trends und Ausreißer zu erkennen. Danach bereinigen Sie die Daten und bereiten 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 widmen Sie sich zusammen mit dem Referenten vor allem dem Übungsprojekt. Ein möglicher Lösungsweg wird vorgestellt. Natürlich besteht auch hier wieder ausreichend Möglichkeit, Fragen zu stellen.

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

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

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

Im dritten Webinar widmen Sie sich 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. Sie lernen zuerst, wie Sie den passenden Algorithmus und die richtige Methodik finden, um optimale Ergebnisse zu erzielen. Im Anschluss daran fokussieren Sie sich darauf, wie man die Ergebnisse der Modelle adäquat bewertet und interpretiert. In Praxisübungen führen Sie die Prozesse selbst in KNIME aus und setzen 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

Jetzt geht es an das Modeling auf Basis der Daten. Sie lernen zuerst, wie Sie den passenden Algorithmus und die richtige Methodik finden, um optimale Ergebnisse zu erzielen. Im Anschluss daran fokussieren Sie sich darauf, wie man die Ergebnisse der Modelle adäquat bewertet und interpretiert. In Praxisübungen führen Sie die Prozesse selbst in KNIME aus und setzen 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

Jetzt geht es an das Modeling auf Basis der Daten. Sie lernen zuerst, wie Sie den passenden Algorithmus und die richtige Methodik finden, um optimale Ergebnisse zu erzielen. Im Anschluss daran fokussieren Sie sich darauf, wie man die Ergebnisse der Modelle adäquat bewertet und interpretiert. In Praxisübungen führen Sie die Prozesse selbst in KNIME aus und setzen 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

Jetzt geht es an das Modeling auf Basis der Daten. Sie lernen zuerst, wie Sie den passenden Algorithmus und die richtige Methodik finden, um optimale Ergebnisse zu erzielen. Im Anschluss daran fokussieren Sie sich darauf, wie man die Ergebnisse der Modelle adäquat bewertet und interpretiert. In Praxisübungen führen Sie die Prozesse selbst in KNIME aus und setzen 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

Jetzt geht es an das Modeling auf Basis der Daten. Sie lernen zuerst, wie Sie den passenden Algorithmus und die richtige Methodik finden, um optimale Ergebnisse zu erzielen. Im Anschluss daran fokussieren Sie sich darauf, wie man die Ergebnisse der Modelle adäquat bewertet und interpretiert. In Praxisübungen führen Sie die Prozesse selbst in KNIME aus und setzen 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 nutzen Sie noch einmal für einen Deep-dive in die Modeling-Konzepte. Sie wiederholen die wichtigsten Fakten über Algorithmen und Methodiken und setzen einen besonderen Fokus auf die Ergebnisbeurteilung der eingesetzten Modelle.

Das vierte Webinar nutzen Sie noch einmal für einen Deep-dive in die Modeling-Konzepte. Sie wiederholen die wichtigsten Fakten über Algorithmen und Methodiken und setzen einen besonderen Fokus auf die Ergebnisbeurteilung der eingesetzten Modelle.

Das vierte Webinar nutzen Sie noch einmal für einen Deep-dive in die Modeling-Konzepte. Sie wiederholen die wichtigsten Fakten über Algorithmen und Methodiken und setzen einen besonderen Fokus auf die Ergebnisbeurteilung der eingesetzten Modelle.

Das vierte Webinar nutzen Sie noch einmal für einen Deep-dive in die Modeling-Konzepte. Sie wiederholen die wichtigsten Fakten über Algorithmen und Methodiken und setzen einen besonderen Fokus auf die Ergebnisbeurteilung der eingesetzten Modelle.

Das vierte Webinar nutzen Sie noch einmal für einen Deep-dive in die Modeling-Konzepte. Sie wiederholen die wichtigsten Fakten über Algorithmen und Methodiken und setzen 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 gehen Sie Schritt für Schritt anhand von Anleitungen und eigenen Praxisaufgaben in KNIME vor. Am Ende bringen Sie den gesamten Prozess in Produktion und überführen 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

In der vierten Selbstlernphase geht es an die letzten Schritte im CRISP-DM-Prozess, die Evaluation und das Deployment des Datenmodells. Auch hier gehen Sie Schritt für Schritt anhand von Anleitungen und eigenen Praxisaufgaben in KNIME vor. Am Ende bringen Sie den gesamten Prozess in Produktion und überführen 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

In der vierten Selbstlernphase geht es an die letzten Schritte im CRISP-DM-Prozess, die Evaluation und das Deployment des Datenmodells. Auch hier gehen Sie Schritt für Schritt anhand von Anleitungen und eigenen Praxisaufgaben in KNIME vor. Am Ende bringen Sie den gesamten Prozess in Produktion und überführen 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

In der vierten Selbstlernphase geht es an die letzten Schritte im CRISP-DM-Prozess, die Evaluation und das Deployment des Datenmodells. Auch hier gehen Sie Schritt für Schritt anhand von Anleitungen und eigenen Praxisaufgaben in KNIME vor. Am Ende bringen Sie den gesamten Prozess in Produktion und überführen 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

In der vierten Selbstlernphase geht es an die letzten Schritte im CRISP-DM-Prozess, die Evaluation und das Deployment des Datenmodells. Auch hier gehen Sie Schritt für Schritt anhand von Anleitungen und eigenen Praxisaufgaben in KNIME vor. Am Ende bringen Sie den gesamten Prozess in Produktion und überführen 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 abschließendenen Webinar widmen Sie sich dem Übungsprojekt aus Modul 8. Neben Insights für Lösungswege zur Aufgabe bekommen Sie vom Referenten auch Tipps und Hinweise zur Vorbereitung auf die Abschlussprüfung.

Im abschließendenen Webinar widmen Sie sich dem Übungsprojekt aus Modul 8. Neben Insights für Lösungswege zur Aufgabe bekommen Sie vom Referenten auch Tipps und Hinweise zur Vorbereitung auf die Abschlussprüfung.

Im abschließendenen Webinar widmen Sie sich dem Übungsprojekt aus Modul 8. Neben Insights für Lösungswege zur Aufgabe bekommen Sie vom Referenten auch Tipps und Hinweise zur Vorbereitung auf die Abschlussprüfung.

Im abschließendenen Webinar widmen Sie sich dem Übungsprojekt aus Modul 8. Neben Insights für Lösungswege zur Aufgabe bekommen Sie vom Referenten auch Tipps und Hinweise zur Vorbereitung auf die Abschlussprüfung.

Im abschließendenen Webinar widmen Sie sich dem Übungsprojekt aus Modul 8. Neben Insights für Lösungswege zur Aufgabe bekommen Sie vom Referenten auch Tipps und Hinweise zur Vorbereitung auf die Abschlussprüfung.