Modul: Datenbanken und Data Warehousing

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

Eckdaten

ECTS-Punkte: 2,5
Nächster Start: 30.8.2024
Dauer: 4 Unterrichtstage
Unterrichtstage: Freitag und Samstag
Unterrichtssprache: Deutsch
Ort: FHNW Campus Brugg-Windisch
Preis: CHF 1500.–

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. Lerne die Grundlagen eines nachhaltigen, praxistauglichen und kosteneffizienten Datenmanagements und den Umgang mit verschiedenen Datenbanken.

Modulübersicht

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.

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