Unter Information Engineering verstehen wir Methoden und Verfahren zur Gestaltung und Entwicklung von Informationssystemen. In diesem CAS lernen Sie, wie man sowohl mit strukturierten Daten (z. B. aus Datenbanken und Data Warehouses) als auch mit semistrukturierten und unstrukturierten Daten (z. B. Weblogs, Textdokumenten, Bildern, Videos etc.) umgeht.
Zielpublikum:Das CAS Information Engineering richtet sich an Personen, die
- Unternehmensdaten oder öffentliche Daten bearbeiten
- datengestützte (Entscheidungs-) Grundlagen in Form von Berichten oder Web-Applikationen erstellen
- Kundendaten (im Customer Relationship Management, kurz CRM) auswerten wollen
- wissenschaftliche Daten auswerten wollen
- verschiedene Datenquellen zusammenführen und auswerten wollen
- bestehende Informationen in einer oder in verschiedenen Datenquellen auffinden wollen
- in den Bereichen Business Analytics oder Business Intelligence arbeiten
- in Unternehmen jeder Grösse mit neuesten Methoden Geschäftsprozesse optimieren und datenbasierte Entscheidungen treffen wollen
Ziele:Wir leben in einer Welt, in welcher die Sammlung, Aufbereitung und Nutzbarmachung von Informationen und Daten zunehmend zentral wird. Unter Information Engineering verstehen wir Methoden und Verfahren zur Gestaltung und Entwicklung von Informationssystemen.
In diesem CAS lernen Sie, wie man sowohl mit strukturierten Daten (z. B. aus Datenbanken und Data Warehouses) als auch mit semistrukturierten und unstrukturierten Daten (z. B. Weblogs, Textdokumenten, Bildern, Videos etc.) umgeht.
Folgende Fragestellungen stehen im Zentrum des CAS Information Engineering
- Welche Scripting-Methoden eignen sich für die Prozessierung von Daten?
- Was sind die Grundlagen einer relationalen Datenbank und wie kann ich Daten mit einer geeigneten Abfragesprache (SQL) filtern
- Warum braucht man ein Data Warehouse und wie integriert man Daten aus unterschiedlichen Systemen?
- Was verbirgt sich hinter Big Data (Hadoop, Spark etc.) und welche neuen Fragestellungen lassen sich damit beantworten?
- Wie kann ich Sentimentanalyse für meine Unternehmung einsetzen, um neue Erkenntnisse über die Kundenzufriedenheit zu gewinnen und effektiv darauf zu reagieren?
Inhalt:
Modul A "Scripting"
Lernziele
- Sie kennen die Grundlagen der Script-Sprache Python sowie der relevanten Bibliotheken
- Sie können die Script-Sprache für unterschiedliche Schritte im Datenanalyseprozess einsetzen
Inhalte
- Einführung in Python mit sciPy und scikit-learn
- Anwendungsmöglichkeiten in den Bereichen Datenextraktion, Datenanalyse und Datenvisualisierung
- Erstellung von Mashups mit externen Web-Services
Modul B "Datenbanken and Data Warehousing"
Lernziele
Wie man strukturierte Daten aufbereitet, modelliert und für die Analyse bereitstellt.
- Sie verstehen die Grundlagen der relationalen Algebra und können die Datenbanksprache SQL anwenden.
- Sie verstehen die Wesensmerkmale und den Aufbau sowie den Zweck von DWH-Systemen.
- Sie können Architektur und Design von skalierenden DWH-Systemen entwerfen.
- Sie kennen die Technologien und Bausteine von DWH-Systemen und sind in der Lage, diese Bausteine beispielhaft zur Implementation zu nutzen.
Inhalte
- Relationale Algebra und Datenbankabfragesprache SQL
- Einführung in Decision-Support-Systeme:
Definition, Abgrenzung, Vergleich OLTP (transaktionsbasierte Systeme) und OLAP (Analysesysteme) - Architektur und Modellierung: DWH-Aufbau, Datenmodellierung für Analysezwecke
- ETL-Prozess: Kopplung von OLTP und Business Intelligence (BI)-Welt, automatisiertes Laden, Datenqualität: Fehlererkennung und -korrektur, iteratives Vorgehen beim DWH-Entwurf
Modul C "Information Retrieval"
Lernziele
Wie man unstrukturierte Texte aufbereitet und nutzbar macht.
- Sie kennen konkrete Retrievalsysteme (z. B. Websuche/Google, fachspezifische Suche u. a.) und haben einen soliden Einblick in das Gebiet: Grundlagen, Theorie, Stand der Technik, Praxis und Auswertung.
- Sie beherrschen die Wahl der richtigen Technologie für Suchaufgaben und können Information-Retrieval-Systeme evaluieren und bewerten.
- Sie kennen Methoden der tiefergehenden Textanalyse wie Sentimentanalyse und können mit maschineller Übersetzung umgehen.
- Sie lernen Methoden kennen, um Merkmale aus nicht textuellen Dokumenten zu extrahieren.
Inhalte
- Einführung in Information Retrieval
- Grundlagen: Modelle, Probability Ranking Principle, Rangierungsregeln
- Indizierung/Vergleich: Textanalyse, Gewichtung, Systeme/Architektur
- Sentiment-Analyse, Text Summarization, mehrsprachiges und sprachübergreifendes Retrieval
- Multimedia Information Access
Modul D "Big Data"
Lernziele
Wie man skalierbare Analysesysteme mit Big-Data-Technologie aufbaut und nutzt.
- Sie verstehen die Wesensmerkmale und den Aufbau sowie den Zweck von Big-Data-Systemen.
- Sie können Big-Data-Systeme beurteilen und evaluieren.
- Sie sind in der Lage, ein Big-Data-Projekt mit beliebiger Datenmenge durchzuführen.
- Sie haben in den Praktika Hands-on-Erfahrungen mit State-of-the-Art Big Data Tools gesammelt.
Inhalte
- Überblick über verschiedene NoSQL-Technologien
- Design und Implementation von skalierbaren Abfragen und Analysen mit State-of-the-Art Technologien
- Einführung in spezielle Frameworks für Big Data (z.B. Apache Spark)
