06/2023 - 10/2023
Machine Learning
Folgende Inhalte wurden vermittelt:
Grundlagen
Warum Machine Learning?
Anwendungsbeispiele
Überwachtes Lernen, Unüberwachtes Lernen, Teilüberwachtes Lernen, Reinforcement-Lernen
Beispiele für Datenbestände
Daten kennenlernen
Trainings-, Validierungs- und Testdaten
Daten sichten
Vorhersagen treffen
Überwachtes Lernen
Klassifikation und Regression
Verallgemeinerung, Overfitting und Underfitting
Größe des Datensatzes
Algorithmen zum überwachten Lernen
Lineare Modelle
Bayes-Klassifikatoren
Entscheidungsbäume
Random Forest
Gradient Boosting k-nächste Nachbarn
Support Vector Machines Conditional Random Field
Neuronale Netze und Deep Learning
Wahrscheinlichkeiten
Unüberwachtes Lernen
Arten unüberwachten Lernens Vorverarbeiten und Skalieren
Datentransformationen
Trainings- und Testdaten skalieren
Dimensionsreduktion
Feature Engineering
Manifold Learning
Hauptkomponentenzerlegung (PCA)
Nicht-negative Matrix-Faktorisierung (NMF)
Manifold Learning mit t-SNE Clusteranalyse k-Means Clustering
Agglomeratives Clustering
DBSCAN
Clusteralgorithmen
Evaluierung und Verbesserung
Modellauswahl und Modellevaluation
Abstimmung der Hyperparameter eines Schätzers
Kreuzvalidierung
Gittersuche
Evaluationsmetriken
Klassifikation
Abschlussprüfung: praxisbezogene Projektarbeit
Data Analytics
Folgende Inhalte wurden vermittelt:
Einführung Datenanalyse
CRISP-DM Referenzmodell
Data Analytics Workflows
Begriffsabgrenzung Künstliche Intelligenz, Machine Learning, Deep Learning
Anforderungen und Rolle im Unternehmen der Data Engineers, Data Scientists und Data Analysts
Wiederholung Grundlagen Python
Datentypen
Funktionen
Datenanalyse
Zentrale Python-Module im Kontext Data Analytics (NumPy, Pandas)
Prozess der Datenaufbereitung
Data Mining Algorithmen in Python
Künstliche Intelligenz (KI) im Arbeitsprozess
Vorstellung von konkreten KI-Technologien im beruflichen Umfeld
Anwendungsmöglichkeiten und Praxis-Übungen
Datenvisualisierung
Explorative Datenanalyse
Insights
Datenqualität
Nutzenanalyse
Visualisierung mit Python: Matplotlib, Seaborn, Plotly Express
Data Storytelling
Datenmanagement
Big Data Architekturen
Relationale Datenbanken mit SQL
Vergleich von SQL- und NoSQl-Datenbanken
Business Intelligence
Datenschutz im Kontext der Datenanalyse
Datenanalyse im Big Data Kontext
MapReduce-Ansatz
Spark
NOSQL
Dashboards
Bibliothek: Dash
Aufbau von Dashboards - Dash Components
Customizing von Dashboards
Callbacks
TextMining
Data Preprocessing
Visualisierung
Bibliothek: Spacy
Abschlussprüfung: praxisbezogene Projektarbeit
Data Engineer
Folgende Inhalte wurden vermittelt:
Grundlagen Business Intelligence
Anwendungsfelder, Dimensionen einer BI Architektur
Grundlagen Business Intelligence, OLAP, OLTP, Aufgaben der Data Engineers
Data Warehousing (DWH): Umgang und Verarbeitung von strukturierten, semi-strukturierten und unstrukturierten Daten
Anforderungsmanagement
Aufgaben, Ziele und Vorgehensweise in der Anforderungsanalyse Datenmodellierung, Einführung/Modellierung mit ERM
Einführung/Modellierung in der UML
Künstliche Intelligenz (KI) im Arbeitsprozess
Vorstellung von konkreten KI-Technologien im beruflichen Umfeld
Anwendungsmöglichkeiten und Praxis-Übungen
Datenbanken
Grundlagen von Datenbanksystemen
Architektur von Datenbankmanagementsystemen
Anwendung RDBMS, Umsetzung Datenmodell in RDBMS, Normalformen Praktische und theoretische Einführung in SQL
Grenzen von Relationalen Datenbanken, csv, json
Data Warehouse
Star Schema
Datenmodellierung
Erstellung Star Schema in RDBMS
Snowflake Schema, Grundlagen, Datenmodellierung
Erstellung Snowflake Schema in RDBMS
Galaxy Schema: Grundlagen, Datenmodellierung
Slowly Changing Dimension Tables Typ 1 bis 5 - Restating, Stacking, Reorganizing, mini Dimension und Typ 5 Einführung in normal, causal, mini und monster, heterogeneous und sub Dimensions Vergleich von state und transaction oriented Faktentabellen, Density und Storage vom DWH
ETL
Data Cleansing
Data Understanding
Datenschutz, Datensicherheit
Praktischer Aufbau von ETL-Strecken
Data Vault 2.0, Grundlagen, Hubs, Links, Satellites, Hash Key, Hash Diff.
Data Vault Datenmodellierung
Praktischer Aufbau eines Data Vault Modells - Raw Vault, Praktische Umsetzung von Hash-Verfahren
Abschlussprüfung: praxisbezogene Projektarbeit
10/2002 - 02/2003
03/2004 - 08/2004
10/1997 - 02/1998
Zertifikate
Anwendungen
Entwicklung
Tätigkeiten neben der Ausbildung
10/2004 ? 04/2006:
Rolle: Elternzeit
03/2003 ? 09/2004:
Rolle: Laden-Vertriebsmitarbeiter mit 10 bis 20 Wochenstunden
Kunde: GRAVIS Shop, Frankfurt am Main
Aufgaben:
10/2000 ? 08/2002:
Rolle: Laden-Vertriebsmitarbeiter mit 10 bis 20 Wochenstunden
Kunde: GRAVIS Shop, Frankfurt am Main
Aufgaben:
04/1999 ? 03/2000:
Rolle: Studentischer Mitarbeiter mit 10 Wochenstunden
Kunde: Institut für Kunststoffverarbeitung (IKV), Aachen
Aufgaben:
10/1993 ? 12/1993:
Rolle: Filmvorführer
Kunde: Filmtheater Studio, Sankt Augustin
09/1993 ? 12/1993:
Rolle: Auslieferungsfahrer
Kunde: Bäckerei Schmitz, Bonn
02/1993 ? 08/1993:
Rolle: Aushilfstätigkeit
Kunde: Grünflächenamt, Bonn
06/2023 - 10/2023
Machine Learning
Folgende Inhalte wurden vermittelt:
Grundlagen
Warum Machine Learning?
Anwendungsbeispiele
Überwachtes Lernen, Unüberwachtes Lernen, Teilüberwachtes Lernen, Reinforcement-Lernen
Beispiele für Datenbestände
Daten kennenlernen
Trainings-, Validierungs- und Testdaten
Daten sichten
Vorhersagen treffen
Überwachtes Lernen
Klassifikation und Regression
Verallgemeinerung, Overfitting und Underfitting
Größe des Datensatzes
Algorithmen zum überwachten Lernen
Lineare Modelle
Bayes-Klassifikatoren
Entscheidungsbäume
Random Forest
Gradient Boosting k-nächste Nachbarn
Support Vector Machines Conditional Random Field
Neuronale Netze und Deep Learning
Wahrscheinlichkeiten
Unüberwachtes Lernen
Arten unüberwachten Lernens Vorverarbeiten und Skalieren
Datentransformationen
Trainings- und Testdaten skalieren
Dimensionsreduktion
Feature Engineering
Manifold Learning
Hauptkomponentenzerlegung (PCA)
Nicht-negative Matrix-Faktorisierung (NMF)
Manifold Learning mit t-SNE Clusteranalyse k-Means Clustering
Agglomeratives Clustering
DBSCAN
Clusteralgorithmen
Evaluierung und Verbesserung
Modellauswahl und Modellevaluation
Abstimmung der Hyperparameter eines Schätzers
Kreuzvalidierung
Gittersuche
Evaluationsmetriken
Klassifikation
Abschlussprüfung: praxisbezogene Projektarbeit
Data Analytics
Folgende Inhalte wurden vermittelt:
Einführung Datenanalyse
CRISP-DM Referenzmodell
Data Analytics Workflows
Begriffsabgrenzung Künstliche Intelligenz, Machine Learning, Deep Learning
Anforderungen und Rolle im Unternehmen der Data Engineers, Data Scientists und Data Analysts
Wiederholung Grundlagen Python
Datentypen
Funktionen
Datenanalyse
Zentrale Python-Module im Kontext Data Analytics (NumPy, Pandas)
Prozess der Datenaufbereitung
Data Mining Algorithmen in Python
Künstliche Intelligenz (KI) im Arbeitsprozess
Vorstellung von konkreten KI-Technologien im beruflichen Umfeld
Anwendungsmöglichkeiten und Praxis-Übungen
Datenvisualisierung
Explorative Datenanalyse
Insights
Datenqualität
Nutzenanalyse
Visualisierung mit Python: Matplotlib, Seaborn, Plotly Express
Data Storytelling
Datenmanagement
Big Data Architekturen
Relationale Datenbanken mit SQL
Vergleich von SQL- und NoSQl-Datenbanken
Business Intelligence
Datenschutz im Kontext der Datenanalyse
Datenanalyse im Big Data Kontext
MapReduce-Ansatz
Spark
NOSQL
Dashboards
Bibliothek: Dash
Aufbau von Dashboards - Dash Components
Customizing von Dashboards
Callbacks
TextMining
Data Preprocessing
Visualisierung
Bibliothek: Spacy
Abschlussprüfung: praxisbezogene Projektarbeit
Data Engineer
Folgende Inhalte wurden vermittelt:
Grundlagen Business Intelligence
Anwendungsfelder, Dimensionen einer BI Architektur
Grundlagen Business Intelligence, OLAP, OLTP, Aufgaben der Data Engineers
Data Warehousing (DWH): Umgang und Verarbeitung von strukturierten, semi-strukturierten und unstrukturierten Daten
Anforderungsmanagement
Aufgaben, Ziele und Vorgehensweise in der Anforderungsanalyse Datenmodellierung, Einführung/Modellierung mit ERM
Einführung/Modellierung in der UML
Künstliche Intelligenz (KI) im Arbeitsprozess
Vorstellung von konkreten KI-Technologien im beruflichen Umfeld
Anwendungsmöglichkeiten und Praxis-Übungen
Datenbanken
Grundlagen von Datenbanksystemen
Architektur von Datenbankmanagementsystemen
Anwendung RDBMS, Umsetzung Datenmodell in RDBMS, Normalformen Praktische und theoretische Einführung in SQL
Grenzen von Relationalen Datenbanken, csv, json
Data Warehouse
Star Schema
Datenmodellierung
Erstellung Star Schema in RDBMS
Snowflake Schema, Grundlagen, Datenmodellierung
Erstellung Snowflake Schema in RDBMS
Galaxy Schema: Grundlagen, Datenmodellierung
Slowly Changing Dimension Tables Typ 1 bis 5 - Restating, Stacking, Reorganizing, mini Dimension und Typ 5 Einführung in normal, causal, mini und monster, heterogeneous und sub Dimensions Vergleich von state und transaction oriented Faktentabellen, Density und Storage vom DWH
ETL
Data Cleansing
Data Understanding
Datenschutz, Datensicherheit
Praktischer Aufbau von ETL-Strecken
Data Vault 2.0, Grundlagen, Hubs, Links, Satellites, Hash Key, Hash Diff.
Data Vault Datenmodellierung
Praktischer Aufbau eines Data Vault Modells - Raw Vault, Praktische Umsetzung von Hash-Verfahren
Abschlussprüfung: praxisbezogene Projektarbeit
10/2002 - 02/2003
03/2004 - 08/2004
10/1997 - 02/1998
Zertifikate
Anwendungen
Entwicklung
Tätigkeiten neben der Ausbildung
10/2004 ? 04/2006:
Rolle: Elternzeit
03/2003 ? 09/2004:
Rolle: Laden-Vertriebsmitarbeiter mit 10 bis 20 Wochenstunden
Kunde: GRAVIS Shop, Frankfurt am Main
Aufgaben:
10/2000 ? 08/2002:
Rolle: Laden-Vertriebsmitarbeiter mit 10 bis 20 Wochenstunden
Kunde: GRAVIS Shop, Frankfurt am Main
Aufgaben:
04/1999 ? 03/2000:
Rolle: Studentischer Mitarbeiter mit 10 Wochenstunden
Kunde: Institut für Kunststoffverarbeitung (IKV), Aachen
Aufgaben:
10/1993 ? 12/1993:
Rolle: Filmvorführer
Kunde: Filmtheater Studio, Sankt Augustin
09/1993 ? 12/1993:
Rolle: Auslieferungsfahrer
Kunde: Bäckerei Schmitz, Bonn
02/1993 ? 08/1993:
Rolle: Aushilfstätigkeit
Kunde: Grünflächenamt, Bonn