Daten mit KI auswerten: Bereinigung, Modelle und automatisierte Workflows

KI-Intensivseminar · 2 Tage

Vom Rohdatensatz zum erklärbaren Modell und zur automatisierten Auswertung

Das nehmen Sie mit

• Sicherheit beim Bereinigen und Umformen von Daten mit Excel PowerQuery und Pandas
• Erfahrung mit EDA, Klassifikation in scikit-learn und Clustering per K-Means an Übungsdatensätzen
• Ein selbst gebauter, automatisierter Analyseprozess auf Basis von ETL-Prozessen mit Fehlerhandling
• Kriterien für Erklärbarkeit, Fairness und Datenschutz, mit denen Sie einen KI-Einsatz auf Risiken prüfen

Ablauf

1. Teil 1

   Tag 1 – Modul 1 – Orientierung: Datenanalyse, Data Science und KI einordnen

   • Datenanalyse, Data Science und KI begrifflich voneinander trennen
   • Weshalb Entscheidungen auf Datenbasis in Vertrieb, Controlling oder Forschung an Gewicht gewinnen
   • Die Werkzeuge und Methoden der beiden Tage im Überblick
   • Praxis: Die Datenquellen Ihres Arbeitsbereichs erfassen, etwa Exporte, Tabellen und Datenbanken, und gliedern
2. Teil 2

   Tag 1 – Modul 2 – Aufbereitung: Rohdaten säubern und in Form bringen

   • Missing Values behandeln und Ausreißer per Outlier Detection aufspüren
   • Datenformate umwandeln und Werte transformieren, zum Beispiel Datumsangaben vereinheitlichen
   • Excel PowerQuery und Pandas in Python als zwei Wege zum selben Ergebnis
   • Übung: Einen realen Datensatz von Dubletten, Lücken und Formatfehlern befreien
3. Teil 3

   Tag 1 – Modul 3 – Explorative Datenanalyse (EDA): Verteilungen und Zusammenhänge sichtbar machen

   • Deskriptive Statistik: Lage- und Streuungsmaße als erster Blick auf die Daten
   • Visualisierung mit Boxplots, Heatmaps und weiteren Diagrammtypen
   • matplotlib und seaborn in Python, Tableau Public als Alternative ohne Code
   • Übung: Einen Datensatz grafisch erkunden und Auffälligkeiten notieren
4. Teil 4

   Tag 1 – Modul 4 – Maschinelles Lernen: Lernarten, Aufgabentypen und Gütemaße

   • Supervised und Unsupervised Learning: mit oder ohne bekannte Zielgröße lernen
   • Klassifikation oder Regression – welcher Ansatz zu welcher Fragestellung passt
   • Modelle mit Accuracy, Precision und Recall beurteilen
   • Praxisbeispiel: Ein Klassifikationsmodell in scikit-learn trainieren und auswerten
5. Teil 5

   Tag 2 – Modul 5 – KI-gestützte Analyse: Muster finden und Gruppen bilden

   • KI einsetzen, um Muster zu erkennen, die in Tabellen nicht ins Auge fallen
   • Clustering-Algorithmen wie K-Means und die Wahl der Clusterzahl
   • Neuronale Netze: Funktionsprinzip und typische Anwendungsbeispiele
   • Praxis: Einen Kundendatensatz in Segmente aufteilen und die Gruppen beschreiben
6. Teil 6

   Tag 2 – Modul 6 – Automatisierung: Wiederkehrende Auswertungen als Pipeline

   • ETL-Prozesse: Daten extrahieren, transformieren und laden
   • Workflows mit Apache Airflow oder KNIME modellieren
   • Fehlerhandling und Logging, damit ein nächtlicher Lauf nicht unbemerkt scheitert
   • Praxis: Einen Analyseprozess aufbauen, der ohne manuelles Zutun durchläuft
7. Teil 7

   Tag 2 – Modul 7 – Einsatz und Verantwortung: Grenzen, Erklärbarkeit und Datenschutz

   • Anwendungsfelder von KI in Marketing, Produktion und HR
   • Chancen und Hürden, ergänzt um Best Practices und Lessons Learned aus Projekten
   • Diskussion: Wo KI in Entscheidungsprozessen an ihre Grenzen kommt
   • Explainable AI mit SHAP und LIME: Modellergebnisse nachvollziehbar machen
   • Bias und Fairness, sowohl in den Daten als auch in den Modellen
   • Datenschutz und DSGVO beim Betrieb von KI-Systemen
   • Case Study: Einen KI-Einsatz auf Risiken untersuchen
8. Teil 8

   Tag 2 – Modul 8 – Projektarbeit: Gelerntes anwenden und Ergebnisse teilen

   • Mini-Projektarbeit: Eine kleine Analyse mit den Methoden der beiden Tage umsetzen
   • Ergebnisse präsentieren und Peer-Feedback der anderen Teilnehmenden einholen
   • Tool-Empfehlungen und Hinweise, wie Sie sich nach dem Seminar weiterbilden
   • Abschlussrunde mit Vergabe der Zertifikate