Mastering Data & Applied Neural Networks,

-

advanced

Daten sind eine zentrale Grundlage digitalisierter Unternehmen. Dieses Modul vermittelt die praktischen Grundlagen zum Prozess der Erhebung, Validierung, Analyse und Bereinigung von Daten. Auf Basis von verstandenen und bereinigten Daten werden unterschiedliche Neuronale Netzwerke erläutert und auf diese Weise beispielhaft illustriert, wo die Vor- und Nachteile dieser Netzwerke liegen.

• Datenquellen (Formate, Arten)
• Validieren der Datenqualität (Fehler identifizieren, Redundanzen)
• Datenbereinigungsprozesse (z.B. CRISP-DM, SEMMA)
• Datenhaltung (Relationale Datenbanken, NoSQL, Dateien)
• Aufbau nachvollziehbarer Verarbeitungsprozesse
• Verwendung der aufbereiteten Daten in unterschiedlichen neuronalen Netzwerktypen
• Limiten und Gefahren (Bias) von neuronalen Netzwerken

Verwendete Tools: SPSS, R, Python, Keras (Tensorflow)

Die Studierenden:

• kennen übliche Formate und Arten von Datenquellen.
• identifizieren die Qualität von Daten nach Standard-Methodiken.
• kennen Datenbereinigungsprozesse und ihren Nutzen.
• kennen verschiedene Möglichkeiten Daten zu halten und haben einfache Datenstämme verwendet und konvertiert.
• kennen einfache Tools zum Verarbeiten und Analysieren von Daten.
• können Ergebnisse von Analysen plausibilisieren und präsentieren
• kennen die wichtigsten Neuronalen Netzwerktopologien und können deren Vor- und Nachteile beurteilen
• können die Grundelemente von Keras (Tensorflow) anwenden

Erfahrungsnote und MSP schriftlich, Gewichtung 50/50