Modul: Datenbanken und Data Warehousing, Hochschule für Informatik FHNW

Daten zu beschaffen, sie zu bewirtschaften und für deren Nutzung bereitzustellen; das sind die praktischen Aufgaben von Data Scientists. In dieser Rolle gehst du dabei mit Daten aus unterschiedlichen Quellen um.

In diesem Modul lernst du, wie du solche Informationen aus verschiedenen Systemen zusammenführst, auf Konsistenz prüfst und zugriffsgeschützt ablegst. Wir zeigen dir die Grundlagen eines nachhaltigen, praxistauglichen und kosteneffizienten Datenmanagements und den Umgang mit verschiedenen Datenbanken. So kannst du eine langfristige Data-Science-Strategie im Betrieb entwickeln und aufbauen.

In zwei Unterrichtstagen erhältst du eine Einführung in das Thema Enterprise- und Lösungsarchitektur mit Fokus auf Daten-Management, Data Warehousing und verwandte Konzepte wie Data Lakes. Damit werden die Grundlagen für ein nachhaltiges Daten-Management in Data-Science-Projekten geschaffen. Mit dem Wissen über die wichtigsten Technologien des Daten-Managements (SQL, No-SQL, On-Prem vs. Cloud) kannst du deren Einsatz für Data-Science-Projekte in der Praxis richtig einschätzen. Du kennst die Anforderungen und Rahmenbedingungen an unternehmensweite Datenmodelle und kannst ein einfaches relationales Data Warehouse-Datenmodell erarbeiten, welches für Data-Science-Zwecke gut geeignet ist. Zusätzlich lernst du die Grundlagen von SQL im analytischen Umfeld kennen und bist in der Lage, selbst Abfragen und analytische Datasets zu erstellen.

Lernziele

Du kannst:

• UML für die Modellierung im Kontext des Daten-Managements sinnvoll einsetzen.
• die Vor- und Nachteile gängiger Referenzarchitekturen für analytische Systeme beurteilen.
• die typischen treibenden Kräfte bei der Evaluierung eines geeigneten IT-Systems für deine ML-Projekte berücksichtigen.
• den Einsatz wichtiger Daten-Management-Technologien für ML-Projekte in der Praxis richtig einschätzen.
• ein einfaches relationales DWH-Datenmodell im Stern-Schema erarbeiten, das für Machine-Learning-Zwecke verwendet werden kann.
• im analytischen Umfeld SQL einsetzen und selbst Abfragen sowie analytische Datasets erstellen.

Du kennst:

• Lösungsarchitekturen im Kontext des Daten-Managements.
• die gängigsten Referenzarchitekturen für analytische Systeme (z. B. Data Warehouse nach Kimball, Data Lake).
• die wichtigsten Technologien des Daten-Managements (SQL, No-SQL, On-Prem vs. Cloud).

Du weisst:

• wie du den Code strukturieren musst, damit dieser auch ausserhalb des Jupyter Notebooks verwendet werden kann.

Du verstehst:

• die typischen treibenden Kräfte wie Anforderungen und Rahmenbedingungen an analytische Daten-Architekturen.
• die Grundlagen von SQL im analytischen Umfeld.

Technologie

SQL und NoSQL

Erwartete Vorkenntnisse

Du hast Grundkompetenz im Umgang mit Daten- und Informationen sowie grundlegende Affinität zu Programmierung

Bereits Erfahrungen in typischen betrieblichen IT-Fragestellungen zu haben ist von Vorteil.