Der Kurs "Intelligente Datenanalyse" lehrt den Umgang mit Algorithmen zur Analyse großer Datenbestände. Neben einer kurzen Einführung zu statistischen Grundlagen, werden insbesondere Kenntnisse zur Funktionsweise und Anwendung von Verfahren aus dem Bereich des Maschinellen Lernens vermittelt. Dabei werden die drei folgenden Problemklassen behandelt:
- Verfahren zur Klassifikation, d.h. der automatisierten Zuweisung von Objekten zu vordefinierten Klassen, z.B. zur Qualitätskontrolle von Produkten (mit Hilfe von Entscheidungsbäumen, Case-based Reasoning oder künstliche Neuronale Netzen),
- Clustering, zum Finden und Gruppieren von ähnlichen Objekten, z.B. zur Einteilung des Kundenstammes in Kundensegmente mit ähnlichen Merkmalen (mit Hilfe von k-Means, hierarchischen oder dichtebasierten Verfahren)
- Warenkorbanalyse, zur Erstellung von Kundenprofilen und Empfehlung von Produkten auf Basis bereits gekaufter Produkte (mit Hilfe des Apriori-Algorithmus und Assoziationsregellernen)
Praxisnahe Beispiele, etwa zur automatischen Bestimmung der Kreditwürdigkeit oder zur datengetriebenen Vorhersage des Kaufverhaltens werden mit Hilfe von frei zugänglicher Software und Datenbeständen geübt.
- Ohne spezielle Ingenieursanwendungen, wie zum Beispiel CAD-, CAM-, EDA- und Product-Lifecycle-Management-Systeme, ist der Berufsalltag von Konstrukteuren, Maschinenbauern und anderen Ingenieuren kaum noch vorstellbar.
- Dieses Modul führt in die Techniken zum Datenmanagement ein, die für diese Ingenieursanwendungen verwendet werden. Neben konventionellen Datei- und Datenbank-basierten Techniken werden auch Speziallösungen wie der STEP-Standard behandelt.
- Der Schwerpunkt liegt auf der Modellierung und Speicherung von Daten entsprechend der besonderen Anforderungen von Ingenieursanwendungen, die beispielsweise komplexe Datenstrukturen, iterative Entwurfsprozesse und die Ermöglichung gemeinschaftlichen Arbeiten erfordern.
- Darüber hinaus thematisiert das Modul die Verwaltung konkreter Klassen von Produktdaten (geometrische und nichtgeometrische) und geht auf Workflow-Unterstützung sowie Interoperabilität ein.
Mit dem rasanten Anstieg der Datenmengen in den Unternehmen, stoßen relationale Datenbanken immer öfter an ihre Grenzen. Vor allem wenn es darum geht, die gesammelten Daten zu analysieren. Zusätzlich zu dem Problem, dass relationale Datenbanken nicht mit den riesigen Datenmengen umgehen können, spielt der Faktor Zeit eine entscheidende Rolle in der Datenauswertung. Der Wettkampfdruck zwischen den Unternehmen ist so hoch, dass es oftmals auf Minuten oder gar Sekunden ankommt. Der Trend geht daher in die Richtung von Echtzeitdatenanalyse. Das bedeutet, dass das Unternehmen ihre Daten in Echtzeit untersucht und Berichte ausgibt.
Das ist der Grund, warum sogenannte Hauptspeicherdatenbanken oder In-Memory-Datenbanken (IMDB) eine immer größere Rolle in der IT-Infrastruktur spielen. Bei einer IMDB wird der Arbeitsspeicher eines Computers genutzt, um Daten abzuspeichern. Der Unterschied zu traditionellen Datenbanksstemen ist, dass diese Systeme Festplattenspeicher verwenden, um Daten abzuspeichern. Das Flaschenhalsproblem von traditionellen Datenbanksystem verschiebt sich mit dem Einsatz von In-Memory-Datenbank in Richtung Hauptspeicher.
In diesem Modul werden auf der einen Seite die theoretischen Grundlagen von In-Memory-Datenbanken vermittelt und zum anderen die praktische Anwendung einer In-Memory-Datenbank.
Im theoretischen Teil werden folgende Inhalte besprochen:
- grundlegende Datenbankspeichertechniken
- erweiterte Datenbankspeichertechniken (Insert-Only, Mergeprozess, On-the-Fly Reorganisation)
- Datenbank-Operationen
Die Kursteilnehmer werden im praktischen Teil mit der In-Memory-Datenbank von SAP - SAP HANA - vertraut gemacht. Es werden den Kursteilnehmern dabei folgende Anwendungsfälle gezeigt:
- Datenbeschaffung
- Datenintegration
- Datenmodellierung
- Datenpräsentation
- Grundlagen in der Programmierung von SAPUI5 Anwendungen
- Anwendung des Predictive Analytics Tools von SAP
- Unternehmen benötigen umfangreiche und verlässliche Erkenntnisse, um gute operative und strategische Entscheidungen zu treffen. In vielen Unternehmen sind die Daten, auf denen diese Entscheidungen basieren, bereits in elektronischer Form vorhanden, jedoch mangelt es an einer systematischen Sammlung, Analyse und Darstellung. Data-Warehouses sind ein zentrales Werkzeug, um dies zu leisten.
- In diesem Modul wird ein fundierter Einstieg in Architektur von Entwicklung von Data Warehouses gegeben. Wichtige Konzepte wie Extract-Transform-Load (ETL), OLAP und das multidimensionale Datenmodell werden eingeführt.
- Den Schwerpunkt des Moduls bildet die Umsetzung von Data Warehouses in Datenbanken, Anfrageverarbeitung und -optimierung, Index- und Speicherungsstrukturen. Schließlich wird die Anwendung von Data Warehouses für Business Intelligence erläutert.
Neben dem grundlegenden Aufbau eines Suchsystems werden vor allem Technologien beleuchtet, die bei der Volltextsuche in großen Datenmengen Anwendung finden. Das so erworbene theoretische Wissen wird anhand ausgewählter theoretischer und praktischer Aufgaben gefestigt. Der Umgang mit modernen Frameworks und Bibliotheken wird geübt, und es wird auf die Konzeption der Einsatzmöglichkeiten in individuellen Anwendungsszenarien eingegangen. Neben der algorithmischen Seite spielt auch die Schaffung einer ergonomischen Suchschnittstelle eine wichtige Rolle. Aus diesem Grund widmet sich ein eigener Teil dieses Moduls der Erläuterung erweiterter Designrichtlinien zur Konzeption und Umsetzung attraktiver und leicht verständlicher Bedienoberflächen.
Ziele des Moduls
- State of the Art im Bereich der Suchmaschinentechnologie
- Vermittlung von Strukturen und Algorithmen zu den Themen: Design von Suchsystemen (Back-End) und deren Schnittstellen (User Interface), bzw. ihre Evaluierung
- Vermittlung von Kompetenzen zur Entwicklung maßgeschneiderter Tools zur Suche in Webdokumenten, Datensammlungen, Webshops, usw. mit Hilfe von modernen Frameworks
