Machine Learning

Folgende Inhalte wurden vermittelt:

Grundlagen

Warum Machine Learning?

Anwendungsbeispiele

Überwachtes Lernen, Unüberwachtes Lernen, Teilüberwachtes Lernen, Reinforcement-Lernen

Beispiele für Datenbestände

Daten kennenlernen

Trainings-, Validierungs- und Testdaten 

Daten sichten 

Vorhersagen treffen 

Überwachtes Lernen

Klassifikation und Regression

Verallgemeinerung, Overfitting und Underfitting

Größe des Datensatzes

Algorithmen zum überwachten Lernen

Lineare Modelle

Bayes-Klassifikatoren

Entscheidungsbäume

Random Forest

Gradient Boosting k-nächste Nachbarn

Support Vector Machines Conditional Random Field

Neuronale Netze und Deep Learning

Wahrscheinlichkeiten

Unüberwachtes Lernen

Arten unüberwachten Lernens Vorverarbeiten und Skalieren

Datentransformationen

Trainings- und Testdaten skalieren

Dimensionsreduktion

Feature Engineering

Manifold Learning

Hauptkomponentenzerlegung (PCA)

Nicht-negative Matrix-Faktorisierung (NMF)

Manifold Learning mit t-SNE Clusteranalyse k-Means Clustering

Agglomeratives Clustering

DBSCAN

Clusteralgorithmen

Evaluierung und Verbesserung

Modellauswahl und Modellevaluation

Abstimmung der Hyperparameter eines Schätzers

Kreuzvalidierung

Gittersuche

Evaluationsmetriken

Klassifikation

Abschlussprüfung: praxisbezogene Projektarbeit

Data Analytics

Folgende Inhalte wurden vermittelt:

Einführung Datenanalyse

CRISP-DM Referenzmodell

Data Analytics Workflows

Begriffsabgrenzung Künstliche Intelligenz, Machine Learning, Deep Learning

Anforderungen und Rolle im Unternehmen der Data Engineers, Data Scientists und Data Analysts

Wiederholung Grundlagen Python

Datentypen

Funktionen

Datenanalyse

Zentrale Python-Module im Kontext Data Analytics (NumPy, Pandas)

Prozess der Datenaufbereitung

Data Mining Algorithmen in Python

Künstliche Intelligenz (KI) im Arbeitsprozess

Vorstellung von konkreten KI-Technologien im beruflichen Umfeld

Anwendungsmöglichkeiten und Praxis-Übungen

Datenvisualisierung

Explorative Datenanalyse

Insights

Datenqualität

Nutzenanalyse

Visualisierung mit Python: Matplotlib, Seaborn, Plotly Express

Data Storytelling

Datenmanagement

Big Data Architekturen

Relationale Datenbanken mit SQL

Vergleich von SQL- und NoSQl-Datenbanken

Business Intelligence

Datenschutz im Kontext der Datenanalyse

Datenanalyse im Big Data Kontext

MapReduce-Ansatz

Spark

NOSQL

Dashboards

Bibliothek: Dash

Aufbau von Dashboards - Dash Components

Customizing von Dashboards

Callbacks

TextMining

Data Preprocessing

Visualisierung

Bibliothek: Spacy

Abschlussprüfung: praxisbezogene Projektarbeit

Data Engineer

Folgende Inhalte wurden vermittelt:

Grundlagen Business Intelligence

Anwendungsfelder, Dimensionen einer BI Architektur

Grundlagen Business Intelligence, OLAP, OLTP, Aufgaben der Data Engineers

Data Warehousing (DWH): Umgang und Verarbeitung von strukturierten, semi-strukturierten und unstrukturierten Daten

Anforderungsmanagement

Aufgaben, Ziele und Vorgehensweise in der Anforderungsanalyse Datenmodellierung, Einführung/Modellierung mit ERM

Einführung/Modellierung in der UML

• ??Klassendiagramme
• ??Use-Case Analyse
• ??Aktivitätsdiagramme

Künstliche Intelligenz (KI) im Arbeitsprozess

Vorstellung von konkreten KI-Technologien im beruflichen Umfeld

Anwendungsmöglichkeiten und Praxis-Übungen

Datenbanken

Grundlagen von Datenbanksystemen

Architektur von Datenbankmanagementsystemen

Anwendung RDBMS, Umsetzung Datenmodell in RDBMS, Normalformen Praktische und theoretische Einführung in SQL

Grenzen von Relationalen Datenbanken, csv, json

Data Warehouse

Star Schema

Datenmodellierung

Erstellung Star Schema in RDBMS

Snowflake Schema, Grundlagen, Datenmodellierung

Erstellung Snowflake Schema in RDBMS

Galaxy Schema: Grundlagen, Datenmodellierung

Slowly Changing Dimension Tables Typ 1 bis 5 - Restating, Stacking, Reorganizing, mini Dimension und Typ 5 Einführung in normal, causal, mini und monster, heterogeneous und sub Dimensions Vergleich von state und transaction oriented Faktentabellen, Density und Storage vom DWH

ETL

Data Cleansing

• ??Null Values
• ??Aufbereitung von Daten
• ??Harmonisierung von Daten
• ??Anwendung von Regular Expressions

Data Understanding

• ??Datenvalidierung
• ??Statistische Datenanalyse

Datenschutz, Datensicherheit

Praktischer Aufbau von ETL-Strecken

Data Vault 2.0, Grundlagen, Hubs, Links, Satellites, Hash Key, Hash Diff.

Data Vault Datenmodellierung

Praktischer Aufbau eines Data Vault Modells - Raw Vault, Praktische Umsetzung von Hash-Verfahren

Abschlussprüfung: praxisbezogene Projektarbeit

10/2002 - 02/2003

03/2004 - 08/2004

10/1997 - 02/1998

• C++ Programmierkurs