Data Engineering and Wrangling

In der digitalen Welt sind Daten das neue Öl. Dieser Kurs vermittelt die fundamentalen Datenstrukturen und Techniken des Data Wrangling, um die Grundlage für effiziente Datenanalysen zu legen. Durch die Kombination von theoretischen Grundlagen, praktischen Anwendungen und modernen Technologien erlernen die Teilnehmenden, wie man komplexe Daten organisiert, verarbeitet und visualisiert. Ziel ist es, die Fähigkeiten zu entwickeln, um aus Rohdaten wertvolle Erkenntnisse zu datengetriebenen Entscheidungen zu treffen.

Wissen und Verstehen: Die Studierenden...

• erwerben fundiertes Wissen über die Methoden des Data Engineerings und Wranglings, insbesondere der Tools, Softwareanwendungen und Best-Practice-Methoden.
• Verstehen die theoretischen Grundlangen und praktische Anwendungen und deren Einfluss auf Business-Lösungen.

Anwendungen von Wissen und Versehen: Die Studierenden...

• können Data Engineering und Wrangling Methoden und Techniken an realen Problemen anwenden.
• sind fähig, spezifische Modelle und Algorithmen zu entwickeln und zu optimieren.

Urteilen: Die Studierenden...

• bewerten kritische die Angemessenheit und den Einsatz von Data Engineering und Wrangling Methoden für spezifische Fälle.
• reflektieren über ethische Aspekte beim Einsatz von Business Intelligence Methoden.

Kommunikative Fähigkeiten: Die Studierenden...

• präsentieren Ergebnisse und Prozesse effektiv und verständlich sowohl für technische als für nicht technische Ansprechpersonen.
• arbeiten effizient in Gruppen/Teams, um einfache Projekte zu realisieren.

Selbstlernfähigkeit: Die Studierenden...

• zeigen die Fähigkeit, sich kontinuierlich weiterzubilden und neuste Entwicklungen in der Welt des Data Engineering und Wrangling zu adaptieren.

Einführung in Datenstrukturen: Grundlagen der Datenstrukturen, Vergleich der Vor- und Nachteile jeder Struktur.

Bäume und Graphen: Vertiefung in komplexe Datenstrukturen.

Datenorganisation und -speicherung: Diskussion über Datenbanken, Dateisysteme und Speicherstrukturen. Fokus auf relationale vs. nicht-relationale Datenbanken.

Data Wrangling: Praktische Beispiele für Datenbereinigung, Transformation Aggregation, Tools wie MS Power Query, Alteryx AI, Altair Monarch und Themen wie Exploration, Cleansing, Enrichment. Methoden zur Datenaufbereitung und Strukturierung mit AI.

Effiziente Datenverarbeitung: Algorithmen zur Datenverarbeitung und -analyse, einschliesslich Sortier- und Suchalgorithmen. Einfluss von Datenstrukturen auf die Effizienz.

Datenvisualisierung: Techniken zur visuellen Darstellung von Daten. Tools und Bibliotheken zur Unterstützung von Data Wrangling und Analyse.

Big Data und moderne Datenverarbeitung: Herausforderungen und Techniken im Umgang mit grossen Datenmengen. Einführung in Hadoop, Spark und ähnliche Technologien.

Kontaktstudium: Vorlesung, Übungen, Präsentationen, Gruppenarbeiten, Coaching.

Begleitetes Selbststudium: Gruppenarbeit, kleine Projektarbeiten.

Grundkenntnisse in Python

Anwesenheit wird erwartet

Note 1-6 (halbe Noten)

Kazil, Jacqueline and Jarmul, Katharine (2016) Data Wrangling with Python, O'Reilly, ISBN 978-1-4919-4881-1

Weitere Unterlagen während des Semesters