Data Scientist Einführungskurs

Classroom Schulung | Deutsch | Anspruch

Schulungsdauer: 1 Tag

Ziele

Data Science ist eines der aktuellen Schlagworte der IT-Branche. Zahlreiche Data Scientists bieten vielerorts ihre Dienste an und man fragt sich, ob man mit seinem Wissen über relationale Datenbanken und Business Intelligence noch auf der Höhe der Zeit ist.

Das Seminar setzt an diesem Punkt an und spannt den Bogen zu den neuen Möglichkeiten, die Big Data und Machine Learning bieten. Breiten Raum nehmen dabei die inhaltlichen, personellen und technologischen Anforderungen für die erfolgreiche Anwendung ein.

In einem fiktiven Anwendungsszenario wird die Möglichkeiten von Data Science beispielhaft demonstriert.

Weitere Seminarinfos:

  • Schwierigkeitsgrad: 100
  • Darreichung: PowerPoint-Präsentation, Live-Demo.
  • Materialien: Präsentation in elektronischer Form (Format .PDF)
  • Credits: Nein (Credits für Zertifizierung)

Zielgruppe

Entscheider, Personalverantwortliche, Projektmanager

Voraussetzungen

IT-Grundkenntnisse zu Datenhaltung und Business Intelligence. Darüber hinaus werden keine Anforderungen gestellt.

Folgende Seminare und Kurse können darüber hinaus dieses Angebot ergänzen:

1) Einstiegs-Seminare (Schwierigkeitsgrad 100)

a. Big Data Einstieg

b. Big Data Technologien, Strategien und Trends

c. Hortonworks HDP Einstieg

d. Cloudera CDH Einstieg

2) Überblicks-Seminare (Schwierigkeitsgrad 200)

a. Big Data Architekturen Überblick

b. Hadoop Datentechnologien Überblick

Agenda

Was heißt Data Science?

Data Science ist als Begrifflichkeit älter als mancher vermutet und wird etwa seit Mitte der 90er Jahre inhaltlich in der Form interpretiert, wie er heute allgemein verwendet wird: Der Ableitung von neuem Wissen aus Daten. Allerdings wurde er in den letzten fünf Jahren in Zusammenhang mit der Zunahme der Bedeutung von Daten stark aufgewertet. In diesem Abschnitt wird auf verschiedene aktuelle Interpretationen und Abgrenzungen eingegangen.

Worin besteht der Mehrwert von Data Science?

Es geht also um die Extraktion von Wissen aus Daten – wieder einmal. Auch dies ist kein neuer Anspruch. Allerdings bieten das Internet, leistungsfähigere Technologien, effizientere Algorithmen und nicht zuletzt der mit Big Data verbundene Paradigmenwechsel neue Möglichkeiten der Mehrwertgenerierung. In diesem Abschnitt werden den Teilnehmern Beispiele dafür aufgezeigt.

Data Science. Ein fiktives Anwendungsbeispiel

In einem fiktiven Anwendungsszenario wird der Einsatz von "Data Science beispielhaft demonstriert und Daten aus der lokalen Umgebung mit Daten aus dem Internet verknüpft, um mit geeigneten Werkzeugen und analytischen Methoden neue Erkenntnisse zu gewinnen.

Welche Voraussetzungen benötigt Data Science?

Einige: Daten, Infrastruktur, Prozesse, motivierte Mitarbeiter und eine Unternehmenskultur, die den passenden Rahmen vorgibt. Und natürlich Problemstellungen, die Fragen impliziert, die mit Hilfe von Data Science beantwortet werden können.

In diesem Abschnitt wird ein Reifegrad-Modell für Data Science im Unternehmen vorgestellt und erläutert.

Was ist das Profil eines Data Sciencist?

Was ist ein Data Scientist? Welche Anforderungen sind an einen Data Scientist zu stellen? Ist Data Scientist gleich Data Scientist? Lohnt die Investition in die Weiterbildung von gestandenen Mitarbeitern oder benötigt es Köpfe mit frischem Abschluss von der Universität? Diese und andere Fragen werden hier beantwortet.

Wie starten mit Data Science?

Auf der Grundlage des vorher definierten Reifegradmodells für Data Science werden – ausgehend von unterschiedlichen Voraussetzungen und Rahmenbedingungen – verschiedene Start- und Entwicklungsszenarien für Unternehmen unterschiedlicher Größe skizziert.

Welche Stolperfallen bietet Data Science?

Wie mit jeder neuen Technologie kann man auch mit Data Science vieles richtig und manches falsch machen. Zum Abschluss des Seminars werden mögliche Stolperfallen herausgearbeitet und Wege aufgezeigt, wie Sie diese umgehen können. Eine Checkliste hilft zudem beim "stolperfreien" Einstieg.

Über den Dozenten

Ulrich Plogas

Erfahrungen zu DWH- und BI-Themen und Projekten seit Mitte der 90er Jahre, speziell - aber nicht ausschließlich - mit Microsoft Technologie. Erfahrungen im Einsatz und der Integration von Big Data und Hadoop seit 2010 speziell mit den Distributionen von Cloudera und Horton Works. Erfahrungen in der Anwendung von Data Mining und Machine Learning. Wissensvermittlung als Dozent seit 2009.

Zur Profilseite von Ulrich Plogas
Ulrich Plogas

Ziele

Data Science ist eines der aktuellen Schlagworte der IT-Branche. Zahlreiche Data Scientists bieten vielerorts ihre Dienste an und man fragt sich, ob man mit seinem Wissen über relationale Datenbanken und Business Intelligence noch auf der Höhe der Zeit ist.

Das Seminar setzt an diesem Punkt an und spannt den Bogen zu den neuen Möglichkeiten, die Big Data und Machine Learning bieten. Breiten Raum nehmen dabei die inhaltlichen, personellen und technologischen Anforderungen für die erfolgreiche Anwendung ein.

In einem fiktiven Anwendungsszenario wird die Möglichkeiten von Data Science beispielhaft demonstriert.

Weitere Seminarinfos:

  • Schwierigkeitsgrad: 100
  • Darreichung: PowerPoint-Präsentation, Live-Demo.
  • Materialien: Präsentation in elektronischer Form (Format .PDF)
  • Credits: Nein (Credits für Zertifizierung)

Zielgruppe

Entscheider, Personalverantwortliche, Projektmanager

Voraussetzungen

IT-Grundkenntnisse zu Datenhaltung und Business Intelligence. Darüber hinaus werden keine Anforderungen gestellt.

Folgende Seminare und Kurse können darüber hinaus dieses Angebot ergänzen:

1) Einstiegs-Seminare (Schwierigkeitsgrad 100)

a. Big Data Einstieg

b. Big Data Technologien, Strategien und Trends

c. Hortonworks HDP Einstieg

d. Cloudera CDH Einstieg

2) Überblicks-Seminare (Schwierigkeitsgrad 200)

a. Big Data Architekturen Überblick

b. Hadoop Datentechnologien Überblick

Agenda

Was heißt Data Science?

Data Science ist als Begrifflichkeit älter als mancher vermutet und wird etwa seit Mitte der 90er Jahre inhaltlich in der Form interpretiert, wie er heute allgemein verwendet wird: Der Ableitung von neuem Wissen aus Daten. Allerdings wurde er in den letzten fünf Jahren in Zusammenhang mit der Zunahme der Bedeutung von Daten stark aufgewertet. In diesem Abschnitt wird auf verschiedene aktuelle Interpretationen und Abgrenzungen eingegangen.

Worin besteht der Mehrwert von Data Science?

Es geht also um die Extraktion von Wissen aus Daten – wieder einmal. Auch dies ist kein neuer Anspruch. Allerdings bieten das Internet, leistungsfähigere Technologien, effizientere Algorithmen und nicht zuletzt der mit Big Data verbundene Paradigmenwechsel neue Möglichkeiten der Mehrwertgenerierung. In diesem Abschnitt werden den Teilnehmern Beispiele dafür aufgezeigt.

Data Science. Ein fiktives Anwendungsbeispiel

In einem fiktiven Anwendungsszenario wird der Einsatz von "Data Science beispielhaft demonstriert und Daten aus der lokalen Umgebung mit Daten aus dem Internet verknüpft, um mit geeigneten Werkzeugen und analytischen Methoden neue Erkenntnisse zu gewinnen.

Welche Voraussetzungen benötigt Data Science?

Einige: Daten, Infrastruktur, Prozesse, motivierte Mitarbeiter und eine Unternehmenskultur, die den passenden Rahmen vorgibt. Und natürlich Problemstellungen, die Fragen impliziert, die mit Hilfe von Data Science beantwortet werden können.

In diesem Abschnitt wird ein Reifegrad-Modell für Data Science im Unternehmen vorgestellt und erläutert.

Was ist das Profil eines Data Sciencist?

Was ist ein Data Scientist? Welche Anforderungen sind an einen Data Scientist zu stellen? Ist Data Scientist gleich Data Scientist? Lohnt die Investition in die Weiterbildung von gestandenen Mitarbeitern oder benötigt es Köpfe mit frischem Abschluss von der Universität? Diese und andere Fragen werden hier beantwortet.

Wie starten mit Data Science?

Auf der Grundlage des vorher definierten Reifegradmodells für Data Science werden – ausgehend von unterschiedlichen Voraussetzungen und Rahmenbedingungen – verschiedene Start- und Entwicklungsszenarien für Unternehmen unterschiedlicher Größe skizziert.

Welche Stolperfallen bietet Data Science?

Wie mit jeder neuen Technologie kann man auch mit Data Science vieles richtig und manches falsch machen. Zum Abschluss des Seminars werden mögliche Stolperfallen herausgearbeitet und Wege aufgezeigt, wie Sie diese umgehen können. Eine Checkliste hilft zudem beim "stolperfreien" Einstieg.

Über den Dozenten

Ulrich Plogas

Erfahrungen zu DWH- und BI-Themen und Projekten seit Mitte der 90er Jahre, speziell - aber nicht ausschließlich - mit Microsoft Technologie. Erfahrungen im Einsatz und der Integration von Big Data und Hadoop seit 2010 speziell mit den Distributionen von Cloudera und Horton Works. Erfahrungen in der Anwendung von Data Mining und Machine Learning. Wissensvermittlung als Dozent seit 2009.

Zur Profilseite von Ulrich Plogas
Ulrich Plogas

Tags

Diese Seite weiterempfehlen