CAS Data Science. Die Datenanalyse spielt für Unternehmen eine immer wichtigere Rolle.

Transkript

1 Die Datenanalyse spielt für Unternehmen eine immer wichtigere Rolle. Geschäftsreleante Informationen aus einer grossen gesammelten Datenmenge herauslesen! 1

2 Hauptkursziel: Das Ziel des Kurses ist die Vermittlung on Data Science Methodiken zur Analyse und Auswertung on Daten, mit einem kurzen Einblick in die Welt on Large Scale Data Analytics («Big Data»). Patrizia Hostettler Administration Martin Hüsler CAS-Leiter ad interim Prof. Dr. André Csillaghy Institutsleiter I4DS 2

3 Zielpublikum: Fachpersonen aus der Informatik mit analytischem Interesse, die sich bereits heute schon mit Datenerwaltung und -auswertung beschäftigen oder neu Aufgaben im Bereich Data Science übernehmen. Nutzen: Sie können nützliche Datenquellen problembezogen auswählen und anbinden, die Daten aufarbeiten und kombinieren und mit Hilfe on geeigneten Data Science Methodiken auswerten und anschliessend isualisieren. Sie können den Bereich Data Science on Large Scale Data Analytics abgrenzen und damit bedarfsgerechte Softwarelösungen zur Datenauswertung konzipieren. Es wird iel Wert auf eine anwendungsorientierte Vermittlung der theoretischen Inhalte gelegt. Theoretische Ausbildungsblöcke werden im Unterricht mit «hands-on» Übungen begleitet, um das gelernte Wissen praktisch anwenden und ertiefen zu können. 3

4 Kurs Übersicht - 12 Kurstage, Freitags und Samstags 8.45 Uhr bis Uhr Starttag: Schlusstag: Zertifikat: CAS FHNW in Data Science (10 ECTS) Kurzprüfung am : Multiplechoice - Prüfung, 120 Minuten - Arbeit am eigenen Notebook (ca % der Kurszeit) Jede/r Teilnehmer/in soll einen eigenen Laptop mitbringen, auf welchem die für den Kurs benötigten Tools installiert werden können. Die Teilnehmer werden angewiesen, im Vorfeld des Kurses die Werkzeuge für den Unterricht zu installieren. Die benötigten Tools/Software und detaillierte Anweisungen zur Installation werden zur Verfügung gestellt. - Teilnehmer max. 20 Personen - Gemeinsame Unterrichtsplattform ist «inside.fhnw.ch» mit allen Dokumenten 4

5 Kurs Unterrichsblock Einführung in Data Science (Prof. A.Csillaghy) Data Mining (Prof. A.Csillaghy) Machine Learning (Dr. M.Graber) Information Retrieal & Natural Language Processing (R.Richardet) Information Visualization (M.Soldati) Graphen Analyse / Social Network Analysis (M.Henninger) Einblick in Large Scale Data Science (Prof. A.Csillaghy) 5

6 Stundenplan 6

7 Stundenplan 7

8 Stundenplan 8

9 Kurs Unterrichsblock Detail- Inhalte (1/8) Einführung in Data Science Dieser Themenblock gibt Ihnen eine Übersicht über Data Science. Sie werden in die Grundlagen eingeführt und anhand on Beispielen aus Forschung und Wirtschaft werden Ihnen die Chancen, Risiken und Herausforderungen aufgezeigt. Wieso ist Data Science wichtig geworden? Chancen und Risiken Einführung der Begriffe Data Science und Big Data. Wie sind sie gebunden? Herausforderungen, Limitierungen -> Chancen und Risiken Grundaufbau einer Data Science Lösung: Ansätze und Vorgehen Beispiele aus Forschung und Wirtschaft Einführung in Python und Arbeitsplattform, als Beispiel einer Data-ScienceUmgebung 9

10 Kurs Unterrichsblock Detail- Inhalte (2/8) Data Mining Im Block Data Mining lernen Sie, wie Sie eine Warenkorbanalyse durchführen und Muster in bestimmten Datensätzen erkennen und auswerten können. Sie werden in erschiedene Data-Mining-Modelle eingeführt und praktizieren die orgestellten Verfahren. Einführung Data Mining - Was bringt Data Mining? - Die Aufwertungskette des Data Mining Data Mining an Objektmengen Market Basket Analysis Regeln suchen Data Mining Modelle Übungen zu den orgestellten Verfahren 10

11 Kurs Unterrichsblock Detail- Inhalte (3/8) Machine Learning Im Machine Learning Block lernen Sie Methoden und Algorithmen kennen, mit welchen Sie Muster in Daten erkennen und zur Vorhersage nutzen können. Es werden Ihnen anhand praktischer Beispiele gängige ML Algorithmen wie bspw. Decision Trees und Support Vector Machines ermittelt, und Sie machen erste Schritte mit Neuronalen Netzwerken/ Deep Learning. Einführung und Grundbegriffe Grundlagen der Beschreibung und Visualisierung on Daten Überblick Machine Learning Methodologie Regression: Lineare Regression, Kernel Regression Methoden zur Klassifikation Logistische Regression Naïe Bayes Support Vector Machines 11

12 Kurs Unterrichsblock Detail- Inhalte (4/8) Machine Learning Methoden zur Dimensionsreduktion: PCA, NMF Clustering: Kmeans Einführung Neuronale Netzwerke Multi-Layer Perceptron Deep Learning: Konzepte und Architekturen Übersicht Machine Learning Projekte in der Praxis Übungen mit: Jupyter Notebooks, python, numpy, pandas, matplotlib, seaborn, scikit-learn, keras 12

13 Kurs Unterrichsblock Detail- Inhalte (5/8) Information Retrieal and Natural Language Processing Dieser Block befasst Sich mit Information Retrieal und Natural Language Processing. Dabei werden natürlich sprachliche Texte maschinell erarbeitet und die zentralen Informationen daraus gewonnen. Einführung im Natural Language Processing; typisches Vorgehen (workflow), Überblick on erfügbaren Algorithmen & Modellen Datenorbereitung (Text Normalisierung, Spracherkennung, Segmentierung, Stemming,.); - Übungen mit Jupiter Notebook: Datenorbereitung auf 50k biomedizinischen Artikeln. Information Extraction; - Übungen mit ElasticSearch und regulären Ausdrücken. Suchmaschinen (ector space Modell); - Übungen mit ElasticSearch und Jupyter Notebooks: Indexierung on obigen Artikeln. Language modelling; - Übungen mit Jupyter Notebooks und word2ec. 13

14 Kurs Unterrichsblock Detail- Inhalte (6/8) Information Visualization Im Block Information Visualisation werden Ihnen die notwendigen Konzepte und Techniken ermittelt, um Daten or, während und nach der Analyse nutzbringend zu isualisieren. Sie erhalten ein ertieftes Verständnis der Daten und können Ergebnisse für Drittpersonen aufbereiten. Einleitung: Wofür isualisieren? - Motiation, Anwendungen und Einsatzbereiche on Visualisierungen Daten und grundlegende Grafiken - Die erschiedenen Arten on Daten und die dafür geeigneten grafischen Darstellungen Grammar of Graphics - Theoretische Grundlagen der Informationsisualisierung Visuelle Wahrnehmung und Informationsdesign - Grundlegende Effekte, Designprinzipien, die Verwendung on Farbe Interaktie Visualisierungssysteme - Designprinzipien, Multi-iewSysteme, Interaktion Anwendung in der Praxis - Anwendung der theoretischen Kenntnisse anhand on Praxisbeispielen 14

15 Kurs Unterrichsblock Detail- Inhalte (7/8) Graphen Analyse Dieser Block befasst sich mit Graph Analyse und Ontologien. Es wird ermittelt, wie Daten als Graph repräsentiert und analysiert werden können. Dabei wird beispielsweise das Kommunikationserhalten genauer untersucht, was Aufschluss über wichtige Personen sowie auch die Team-interne Zusammenarbeit gibt. Themenblock «Ontologien»: - Qualität on Daten - Semantic Web - Aktuell frei erfügbare Ressourcen - Abfrage SPARQL Tools: KNIME (möglicherweise Tableau) (*) Themenblock «Soziale Netzwerkanalyse»: - Anwendungsfälle on Sozialer Netzwerkanalyse - Soziologische Aspekte & aktuelle Soziale Netzwerke - Modellierung on sozialen Netzwerken - Finden on wichtigen Personen in sozialen Netzwerken - Finden on Gruppen in Netzwerken - Kennwerte zu Netzwerk-Strukturen - Statistik & Netzwerke Tools: Gephi, Condor (*) (*) Die Tools werden auf einer irtuellen Maschine orinstalliert sein 15

16 Kurs Unterrichsblock Detail- Inhalte (8/8) Einblick Large Scale Data Science In diesem Block werden Sie in die Thematik on Big Data eingeführt. Was sind die 5 Vs? Was sind die Herausforderungen und Probleme, in Verbindung mit dem Aufbau, der Verarbeitung und dem Betrieb on Big Data? Sie erhalten Beispiele für aktuelle Implementierungen und Lösungen sowie Beispiele für Big Data-Frameworks. Wann wird ein Problem ein Big Data Problem? Die berühmte 5 Vs Herausforderungen an Konzeption, Aufbau, und Betrieb: bei jeder Verdoppelung der Menge kommen tauchen neue Probleme auf Cloud-Lösungen: Amazon, Azure, & Co. Map / Reduce Example of a Big Data Frameworks: Berkeley Data Analytics Stack Datenbanken und Data Warehousing für Big Data 16

17 Beispiele aus Data Science Anwendungen (1/11) Data Mining Assoziations-Analyse 17

18 CAS Data Science Beispiele aus Data Science Anwendungen (2/11) Machine Learning Regression - Vorhersagen eines Zahlenwertes Gebäudeschätzung: Kandidaten-Matching: 18

19 CAS Data Science Beispiele aus Data Science Anwendungen (3/11) Machine Learning Klassifikation - Einteilen in «Gruppen» - Stelleninserat im Internet erkennen 19

20 Beispiele aus Data Science Anwendungen (4/11) Machine Learning Clustering - Gruppieren on Elementen mit ähnlichen Eigenschaften (Unsuperised) - z.b: Kundenanalyse 20

21 Beispiele aus Data Science Anwendungen (5/11) Information Retrieal & NLP 21

22 Beispiele aus Data Science Anwendungen (6/11) Information Visualization 22

23 Beispiele aus Data Science Anwendungen (7/11) Ontologien Google Knowledge Graph 23

24 Beispiele aus Data Science Anwendungen (8/11) Social Network Analysis 24

25 Beispiele aus Data Science Anwendungen (9/11) Social Network Analysis (Film-Produktions Firmen (ohne Top 10%)) 25

26 Beispiele aus Data Science Anwendungen (10/11) Social Network Analysis: Firmenanalyse 26

27 Beispiele aus Data Science Anwendungen (11/11) Social Network Analysis: Trendanalysen 27

28 END Danke für Ihre Aufmerksamkeit! 28