Data Analytics und Data Science praktisch umsetzen mit KNIME: Datenprojekte mit Künstlicher Intelligenz – ohne Programmierung

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 CRISP-DM-Prozesses eingeübt wurden, steht am Ende des Kurses  ein Abschlussprojekt, in dem der ganze Datenanalyse-Prozess durchlaufen wird.

Nach diesem Lehrgang bist du in der Lage, um alle wichtigen Aufgaben in der Datenanalyse und Data Science eigenständig zu meistern:

• Umfassendes Wissen: Du erwirbst ein tiefgreifendes Verständnis für alle relevanten Themen rund um Data Science, Künstliche Intelligenz und maschinelles Lernen.
• Projektmanagement: Du bist in der Lage, Daten-und KI-Projekte in deinem Unternehmen zu organisieren, zu konzipieren und praktisch umzusetzen.
• Business Understanding: Du entwickelst vielseitige Ansätze, um Unternehmensdaten und -analysen effektiv zu verstehen und zu nutzen.
• Datenhandling: Du kannst große Datenmengen importieren, strukturieren und für Analysen qualifizieren.
• Analysen und Visualisierungen: Du erstellst aussagekräftige Datenanalysen und visualisierst diese überzeugend.
• Prädiktive Analysen: Du triffst zuverlässige Vorhersagen durch prädiktive Datenanalysen.
• Modelltraining: Du trainierst Datenmodelle mit überwachtem, unüberwachtem und bestärkendem Lernen.
• Modellproduktion: Du bringst deine trainierten Modelle in die Produktion und integrierst sie in Automatisierungsprozesse.
• KNIME-Kompetenz: Du setzt die Open-Source-Software KNIME für professionelle Datenprojekte ein.

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.