Data Mining
Seminar
In Frankfurt Am Main, Hamburg, München und an 7 weiteren Standorten
Beschreibung
-
Kursart
Intensivseminar berufsbegleitend
-
Niveau
Anfänger
-
Ort
-
Unterrichtsstunden
22h
-
Dauer
3 Tage
MS SQL Server 2005 - Data Mining
Standorte und Zeitplan
Lage
Beginn
Beginn
Beginn
Beginn
Beginn
Beginn
Beginn
Beginn
Beginn
Beginn
Beginn
Meinungen
Themen
- Klassifikation mit Microsoft Naive Bayes
- Microsoft Time Series - Zeitreihenanalyse
- Microsoft Clustering – Cluster Analyse
- Microsoft Sequence Clustering – Cluster Analyse
- Microsoft Association Rules - Assoziationsanalyse
- Skripte für Data Mining
- Integration und Reporting Services
Inhalte
Einsteiger
Zielgruppe:
Business Intelligence-Entwickler
Voraussetzungen:
Grundlagen MS SQL Server
Methode:
Vortrag mit Beispielen und Übungen.
Seminarziele:
Der MS SQL Server bietet zusätzlich zu den Berichts- und Integrationskomponenten auch Werkzeuge für den Bereiche Data Warehousing und OLAP mit den Analysis Services. Diese werden abgerundet durch die Data Mining-Technologien und Data Mining-Algorithmen. Dieses Seminar zeigt Ihnen, wie Sie auf Basis eines bestehenden Data Warehouses oder einfach mit Daten aus einfachen DB-Strukturen Data Mining-Modelle verwenden, um Zusammenhänge/Korrelationen oder Cluster in Ihren Daten zu finden sowie ein Data Mining-Modell für die Vorhersage/Prognose von kategorialen und numerischen Werten und Zeitreihen zu nutzen. Anhand von Theorie und Beispielen lernen Sie, die verschiedenen Data Mining-Modelle im MS SQL Server einzurichten, zu testen und Auswertungen im Server, mit MS Excel oder über Abfragen durchzuführen.
Themen:
A. Data Mining und MS SQL Server - Einführung
Dauer:0.5 Tage
Business Intelligence und Data Mining - Einsatzbereiche von Data Mining – Data Mining-Verfahren in Microsoft SQL Server und MS Excel – Server- und Client-Komponenten: MS SQL Server Analysis Services und Data Mining Add Ins für MS Excel und MS Visio - Aufgaben im Bereich Data Mining - Data Mining-Techniken im MS SQL Server - Projektzyklus (Datensammlung, Aufbereitung und Reinigung von Daten, Modellbildung, Modellbewertung, Reporting, Vorhersage, Integration in Anwendungen, Modellverwaltung)
B. Klassifikation mit Microsoft Decision Trees - Entscheidungsbäume
Dauer:0.25 Tage
Vorstellung des Algorithmus - Parameter - Modellaufbau und Modellverwendung - DMX-Abfragen: Klassifikationsmodell, Regressionsmodell, Beziehungsmodell
C. Klassifikation mit Microsoft Naive Bayes
Dauer:0.25 Tage
Vorstellung des Algorithmus - Parameter - Modellaufbau und Modellverwendung - DMX-Abfragen: Abhängigkeitsnetz, Attributprofile, Attributcharakteristika, Attributdiskrimierung
D. Microsoft Time Series - Zeitreihenanalyse
Dauer:0.25 Tage
Vorstellung des Algorithmus - Parameter - Modellaufbau und Modellverwendung: Autoregression, Mehrere Zeitreihen, Saisonalität, Historische Vorhersagen, Vorhersagen cachen - DMX-Abfragen
E. Microsoft Clustering – Cluster Analyse
Dauer:0.25 Tage
Vorstellung des Algorithmus - Parameter - Modellaufbau und Modellverwendung: Harte/weiche Clusterung, Skalierbare Clusterung, Geclusterte Vorhersagen - DMX-Abfragen: Cluster, Cluster-Wahrscheinlichkeit, Vorhersage-Histogramm, CaseLikelihood
F. Microsoft Sequence Clustering – Cluster Analyse
Dauer:0.25 Tage
Vorstellung des Algorithmus - Parameter - Modellaufbau und Modellverwendung: Markov-Kette, Übergangsmatrix, Clusterung einer Markov-Kette, Dekomposition clustern - DMX-Abfragen
G. Microsoft Association Rules - Assoziationsanalyse
Dauer:0.25 Tage
Vorstellung des Algorithmus - Parameter - Modellaufbau und Modellverwendung: Itemset, Unterstützung, Wahrscheinlichkeit/Konfidenz, Wichtigkeit/Wesentlichkeit - DMX-Abfragen
H. Microsoft Neural Network – Künstliche neuronale Netze
Dauer:0.25 Tage
Vorstellung des Algorithmus - Parameter - Modellaufbau und Modellverwendung: Kombination und Aktivierung, Normalisierung und Zuordnung, Topologie eines neuronalen Netzes, Modelltraining - DMX-Abfragen
I. Skripte für Data Mining
Dauer:0.5 Tage
XML/A (XML for Analysis): Skripte generieren und verwenden, Data Mining-Modelle aufbauen, verwalten und trainieren - DMX (Data Mining Extensions): Data Mining-Modelle aufbauen, verwalten und trainieren, Data Mining-Modelle abfragen
J. Integration und Reporting Services
Dauer:0.25 Tage
Data Mining-Modelle in Integration Services verwenden – Data Mining-Ergebnisse in Reporting Services aufrufen
Unsere dozenten
Unser MS SQL Server-Trainer Marco Skulschus studierte in Wuppertal und Paris Ökonomie mit Schwerpunkt Wirtschaftsinformatik und arbeitet schon seit mehr als 10 Jahren als Dozent, Fachbuch-Autor zum Thema MS SQL Server und als Business Intelligence-Berater.
Veröffentlichungen:
- "SQL Server 2012: Data Mining und multivariate Verfahren" (Comelio Medien, ISBN 978-3-939701-85-9)
- "MS SQL Server 2012 – XML-Integration mit T-SQL" (Comelio Medien, ISBN 978-3-939701-83-5)
- "MS SQL Server 2012 - T-SQL Abfragen und Analysen" (Comelio Medien, ISBN 978-3-939701-69-9)
- "Grundlagen empirische Sozialforschung" (Comelio Medien, ISBN 978-3-939701-23-1)
Projekte:
Als Berater und Projektleiter konzipiert Herr Skulschus Business Intelligence-Systeme mit MS SQL Server Analysis Services für OLAP udn Data Mining, mit MS SQL Server Integration Services als ETL-Plattform und auch mit MS SQL Server Reporting Services oder MS Excel für Reporting. Er ergänzt diese Data Warehouse-Technologien zusätzlich statistische Analysen, Data Mining-Module oder auch semantische Technologien. Zu seinen Kunden in diesem Bereich zählt auch der Deutsche Bundesrat.
Forschung:
Er leitete ein mehrjähriges Forschungsprojekt zur Entwicklung eines Fragebogensystems mit ontologie-basiertem Datenmodell und innovativen Frage-Antwort-Darstellungen. Förderung durch das BMWi und Zusammenarbeit mit verschiedenen Universitäten.
Zertifizierung:
Marco Skulschus ist zertifiziert als "Microsoft Certified Trainer" und hat die ITIL und ComptiaCTT+ Prüfungen absolviert.
Webseite:
- http://www.marco-skulschus.de
- http://de.wikipedia.org/wiki/Marco_Skulschus
Referenzkurse:
- MOC 2778 - Writing Queries Using Microsoft SQL Server 2008 Transact-SQL
- Relationale Datenbanksysteme
Zusätzliche Informationen
Data Mining