In einer data-driven Company werden Entscheidungen auf Basis belastbarer Erkenntnisse getroffen. Gute Data Scientists machen somit den Unterschied zwischen Erfolg und Misserfolg.
In diesem praxisnahen Training lernen Sie, wie Sie Daten effizient und erfolgreich nutzen.
Dabei behalten wir auch wichtige Randthemen wie z.B. die DSGVO im Auge.
Erster Seminartag – Vorbereitung von Daten für Machine Learning
- Einführung, Motivation und Einordnung
- Bedeutung und Potenzial von Data Science
- Erfolgsstorys von Data Science anhand von Praxisbeispielen
- Worauf muss ich bei der Anwendung von Data Science achten?
- Überschneidung mit Randthemen wie DSGVO, IT-Security, Data Governance etc.
- Big Data Infrastruktur
- Datenmodellierung
- IT-Anforderungen an ein Big Data System
- Big Data Architektur (Cloud Datenbank, Data Warehouse, Data Lakes)
- Datenmanagementprozess
- Wie gewinne ich passende Daten? (u.a. SQL)
- Unterschiedliche Formen der Bereitstellung von Daten (Batch vs. Streaming, Crawling)
- Datenqualität sichern
- Aufbereitung von Daten
- Explorative Datenanalyse (EDA) als Basis für Machine Learning (erste Visualisierungen, Statistiken etc.)
- Umgang mit fehlenden Daten (u.a. Sparsity)
- Anreicherung von Daten (Feature Engineering)
- Praktische Übungen
Zweiter Seminartag – Deep Dive in Machine Learning
- Machine Learning – das überwachte (supervised) Lernen
- Überblick über gängige Lernalgorithmen
- Sinnvolle Anwendung von Lernalgorithmen
- Praktische Übung: Auseinandersetzung mit verschiedenen Algorithmen in Kleingruppen
- Machine Learning – das unüberwachte (unsupervised) Lernen
- Überblick über gängige Clusteralgorithmen
- Sinnvolle Anwendung von Clusteralgorithmen
- Möglichkeiten der statistischen Evaluation
- Praktische Übung: Auseinandersetzung mit verschiedenen Algorithmen in Kleingruppen
Dritter Seminartag – Überblick über weitere Data Science Themen
- Machine Learning - Zeitreihenanalyse:
- Überblick über gängige Zeitreihenalgorithmen
- Möglichkeiten der statistischen Evaluation
- Praktische Übungen
- Machine Learning - Arbeiten mit unstrukturierten Daten:
- Überblick über gängige Algorithmen am Beispiel von Text- und Bilddaten
- Möglichkeiten der statistischen Evaluation
- Praktische Übungen
- Einführung in Neuronale Netze und Deep Learning:
- Funktionsweise eines Neurons
- Überblick über gängige Netzwerktopologien
- Lernalgorithmus eines Neuronalen Netzes
- Sinnvolle Anwendung von Neuronalen Netzen und Deep Learning
- Beispiele aus der Praxis
In einer data-driven Company werden Entscheidungen auf Basis belastbarer Erkenntnisse getroffen. Gute Data Scientists machen somit den Unterschied zwischen Erfolg und Misserfolg.
In diesem praxisnahen ...
Mehr Informationen >>