Blended Learning: Data Analytics und Data Science praktisch umsetzen mit KNIME (Online) - Webinar von Haufe Akademie GmbH & Co. KG

1. Business Understanding für die Datenanalyse

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

2. Bedienung und erste Schritte in KNIME

• 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

3. Data Understanding und Data Preparation

• 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

4. Data Modeling

• 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

5. Deployment, Überwachung und Fehlersuche

• 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

6. Abschlussprojekt

Nach den Praxisaufgaben, mit denen verschiedene Szenarien und die einzelnen Stufen des CRIPS-DM-Prozesses eingeübt wurden, steht am Ende des Kurses  ein Abschlussprojekt, in dem der ganze Datenanalyse-Prozess durchlaufen wird.

Lerndauer: 3-4 Stunden pro Woche über 6 Monate

Wichtige Information:

• Mit dieser Veranstaltung sind sie flexibel. Diese Veranstaltung wird vollständig online ausgeliefert!
• Bitte beachten Sie, dass unsere Blended Learnings aus mehreren Modulen bestehen.
• Es gibt zwei Varianten von Blended Learning Produkten: es können reine Online-Module oder ein Mix aus Online- und Präsenzmodulen enthalten sein.
• Der Termin beschreibt den Zeitraum, in dem die einzelnen Module nacheinander stattfinden.
• Eine Übersicht der einzelnen Termine zu den Modulen erhalten Sie nach der Buchung in Ihrer persönlichen Online-Lernumgebung.

Nach dem Lehrgang bist du in der Lage, alle wichtigen Aufgaben in Datenanalyse und Data Science selbst durchzuführen:

• Du hast ein tiefgreifendes und detailliertes Verständnis aller Themen im Zusammenhang mit Datenanalyse, Data Science und maschinellem Lernen.
• Du kannst Datenprojekte im eigenen Unternehmen organisieren, konzipieren und praktisch umsetzen.
• Du hast vielseitige Herangehensweisen für das Business Understanding von Unternehmensdaten und Datenanalysen.
• Du kannst auch große Datenmengen für Datenanalysen importieren, strukturieren und qualifizieren.
• Du kannst aussagekräftige Datenanalysen erstellen und visualisieren.
• Du kannst mit prädiktiven Datenanalysen zuverlässige Vorhersagen treffen.
• Du kannst Datenmodelle mit überwachtem, unüberwachtem und bestärkendem Lernen trainieren.
• Du kannst deine trainierten Datenmodelle in Produktion bringen und in Automatisierungsprozesse einbinden.
• Du kannst die Open-Source-Software KNIME für professionelle Datenprojekte einsetzen.

Nimm aktiv an unserer Online-Community teil, arbeite mit deinen eigenen Fragestellungen – so profitierst du am meisten von diesem Kurs. Dadurch bringst du die Inhalte sowohl im Selbststudium als auch in praktischen Übungen in die Anwendung.

Dieser Kurs richtet sich an Fachkräfte aus allen Branchen, die sich zum Data Analyst oder Data Scientist weiterbilden möchten. Er ist gleichermaßen geeignet für Einsteiger:innen und Quereinsteiger:innen als auch für Personen mit Vorwissen, die ihre Aufgaben und Rolle schärfen und mit ihrer Arbeit für einen größeren Impact sorgen möchten.

Programmierkenntnisse sind nicht erforderlich! Grundlagenkenntnisse der Data Science werden vorausgesetzt.

Wir empfehlen, dass du vor dieser Weiterbildung den Kurs Smart Data Science (buchbar als Online-Kurs (31549) oder Präsenzseminar (30298)) besuchst.