Welche Weiterbildung
bringt Sie weiter?
Jetzt zum Infoanlass
anmelden!

Modul: Datenbanken und Data Warehousing

Lernen Sie die Grundlagen einer nachhaltigen Data-Management-Strategie. Mit dem Wissen über die wichtigsten Technologien des Daten-Managements können Sie deren Einsatz für Data-Science-Projekte in der Praxis richtig einschätzen.

Eckdaten

ECTS-Punkte: 2,5
Nächster Start: 28. April 2023
Dauer: 3 Unterrichtstage
Unterrichtstage: Freitag & Samstag
Unterrichtssprache: Deutsch
Ort: FHNW Campus Brugg-Windisch
Preis: CHF 1‘500.- (Ehemalige) / CHF 2‘000.- (Externe)

Nächster Start: 28. April 2023. Jetzt anmelden!

Jetzt anmelden

Eine der Praxis-Herausforderungen von Data Scientists ist der Umgang mit Daten aus verschiedenen Quellen (Informations-Beschaffung, -Bewirtschaftung & -Bereitstellung). Die Informationen müssen häufig aus verschiedenen Systemen zusammengeführt, auf Konsistenz geprüft und zugriffsgeschützt abgelegt werden, um eine langfristige Data-Science-Strategie im Betrieb aufzubauen. Lernen Sie die Grundlagen eines nachhaltigen, praxistauglichen und kosteneffizienten Datenmanagements und den Umgang mit verschiedenen Datenbanken.

Modulübersicht

In zwei Unterrichtstagen erhalten Sie 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) können Sie deren Einsatz für Data-Science-Projekte in der Praxis richtig einschätzen. Sie kennen die Anforderungen und Rahmenbedingungen an unternehmensweite Datenmodelle und können ein einfaches relationales Data Warehouse-Datenmodell erarbeiten, welches für Data-Science-Zwecke gut geeignet ist. Zusätzlich lernen Sie die Grundlagen von SQL im analytischen Umfeld kennen und sind in der Lage, selbst Abfragen und analytische Datasets zu erstellen.

Sie kennen Lösungsarchitekturen im Kontext des Daten-Managements
und können UML für die Modellierung sinnvoll einsetzen.
Sie kennen die gängigsten Referenzarchitekturen für analytische
Systeme (z.B. Data Warehouse nach Kimball, Data Lake, etc.) und können
deren Vor- und Nachteile beurteilen.
Sie kennen die typischen treibenden Kräfte wie Anforderungen und
Rahmenbedingungen an analytische Daten-Architekturen und können diese
bei der Evaluierung eines geeigneten IT-Systems für Ihre ML-Projekte
berücksichtigen.
Sie kennen die wichtigsten Technologien des Daten-Managements (SQL,
No-SQL, On-Prem vs. Cloud) und können deren Einsatz für ML-Projekte in
der Praxis richtig einschätzen.
Sie können ein einfaches relationales DWH-Datenmodell im
Stern-Schema erarbeiten, welches für Machine Learning Zwecke verwendet
werden kann.
Die Teilnehmer lernen die Grundlagen von SQL im analytischen Umfeld
und sind in der Lage selbst Abfragen und analytische Datasets zu
erstellen. Sie wissen, wie Sie den Code strukturieren müssen, damit
dieser auch ausserhalb des Jupyter Notebooks verwendet werden kann.