TECH bietet Ihnen die besten Kenntnisse im Bereich Big Data, die Ihnen den Weg zu einer Karriere voller aufregender Möglichkeiten und Herausforderungen ebnen werden“ 

Die Disziplin Big Data hat sich als strategische Lösung herauskristallisiert, die es Unternehmen ermöglicht, komplexe Daten in wertvolle Möglichkeiten zu verwandeln. Diese Disziplin zeichnet sich durch Volumen, Vielfalt und Geschwindigkeit aus und verändert die Art und Weise, wie Unternehmen arbeiten, Entscheidungen treffen und sich auf dem globalen Markt behaupten. Um das Beste aus dieser Ressource zu machen, sind jedoch Experten erforderlich, die wissen, wie man große Mengen an Informationen sammelt und analysiert.  

Der Weiterbildende Masterstudiengang in Big Data Management von TECH ist ein Einstieg in dieses faszinierende und dynamische Gebiet. Dieses Programm wurde entwickelt, um die Fachleute zu spezialisieren, die die digitale Revolution anführen werden, und verbindet fortgeschrittenes technisches Wissen mit einer umfassenden Fortbildung, die sowohl das Studium von hochmodernen Plattformen, Algorithmen und Tools als auch eine solide strategische Vorbereitung umfasst. Heutzutage erzeugt praktisch jede Interaktion im digitalen Umfeld Daten, sei es durch Online-Shopping, die Nutzung sozialer Netzwerke oder Sensoren in Geräten, die mit dem Internet der Dinge verbunden sind. Daher sind die Kenntnis und das Management von Big Data zu einem Schlüsselaspekt für alle Geschäftsbereiche geworden. 

Dieser weiterbildende Masterstudiengang umfasst das Studium der fortschrittlichsten Plattformen, Algorithmen und Tools in diesem Bereich, die alle durch die innovative Relearning-Lernmethode vermittelt werden, die an die Bedürfnisse und das Lerntempo jedes Studenten angepasst ist.

Das Beste daran ist, dass das Programm vollständig online und von jedem Gerät aus zugänglich ist, was die Flexibilität bietet, Zeitpläne anzupassen und berufliche Verpflichtungen zu kombinieren, ohne ein aktives Familienleben zu vernachlässigen, während man in der beruflichen Spezialisierung voranschreitet. 

Steigern Sie mit TECH Ihr berufliches Profil mit einem Fachwissen, das Sie in jeder Branche auszeichnet“ 

Dieser Weiterbildender Masterstudiengang in Big Data Management enthält das vollständigste und aktuellste Programm auf dem Markt. Die hervorstechendsten Merkmale sind:

• Die Entwicklung von Fallstudien, die von Experten in Informatik präsentiert werden   
• Der anschauliche, schematische und äußerst praxisnahe Inhalt vermittelt alle für die berufliche Praxis unverzichtbaren wissenschaftlichen und praktischen Informationen 
• Praktische Übungen, bei denen der Selbstbewertungsprozess zur Verbesserung des Lernens genutzt werden kann 
• Sein besonderer Schwerpunkt liegt auf innovativen Methoden im Big Data Management 
• Theoretische Lektionen, Fragen an den Experten, Diskussionsforen zu kontroversen Themen und individuelle Reflexionsarbeit 
• Die Verfügbarkeit des Zugangs zu Inhalten von jedem festen oder tragbaren Gerät mit Internetanschluss 

Meistern Sie die Zukunft der Datenanalyse, indem Sie zu 100% online mit der Relearning-Methode lernen, der innovativsten und effektivsten Methode auf dem Markt“ 

Zu den Dozenten gehören Fachleute aus dem Bereich des Journalismus, die ihre Erfahrungen in dieses Programm einbringen, sowie anerkannte Spezialisten aus führenden Gesellschaften und renommierten Universitäten. 

Die multimedialen Inhalte, die mit den neuesten Bildungstechnologien entwickelt wurden, ermöglichen der Fachkraft ein situiertes und kontextbezogenes Lernen, d. h. eine simulierte Umgebung, die eine immersive Fortbildung bietet, die auf die Ausführung von realen Situationen ausgerichtet ist. 

Das Konzept dieses Programms konzentriert sich auf problemorientiertes Lernen, bei dem der Student versuchen muss, die verschiedenen Situationen aus der beruflichen Praxis zu lösen, die während des gesamten Studiengangs gestellt werden. Dabei wird die Fachkraft durch ein innovatives interaktives Videosystem unterstützt, das von anerkannten Experten entwickelt wurde.  

Bauen Sie mit den neuesten Lehrmethoden die Zukunft auf, die Sie sich wünschen, in einem Bereich, in dem die Nachfrage nach Talenten weiter wächst"

Erweitern Sie Ihre Fähigkeit zur Innovation in der Welt mit den besten Dozenten, die Sie in diesem weiterbildenden Masterstudiengang über Big Data begleiten werden"

Der Weiterbildender Masterstudiengang mit Spezialisierung in Big Data Management bietet ein umfassendes Wissen, das von den Grundlagen von Big Data bis hin zu den fortschrittlichsten Strategien für ihre Anwendung im Geschäftsumfeld reicht. Während des gesamten Programms entwickeln die Teilnehmer Schlüsselkompetenzen in Bereichen mit einem hohen Bedarf an Arbeitskräften, die sie in die Lage versetzen, Daten zu analysieren und in wertvolle Vermögenswerte zu verwandeln. Darüber hinaus soll das Programm die Fachleute in die Lage versetzen, sich an die ständigen technologischen Entwicklungen anzupassen, und sie darauf vorbereiten, die Datenverwaltung in verschiedenen Sektoren zu leiten.  

Mit der Methodik von TECH lernen Sie, die Geheimnisse hinter den Daten zu entschlüsseln und die digitale Revolution anzuführen" 

Modul 1. Datenanalytik in der Unternehmensorganisation         

1.1. Business-Analyse  

1.1.1. Business-Analyse 
1.1.2. Datenstruktur 
1.1.3. Phasen und Elemente  

1.2. Datenanalytik im Unternehmen 

1.2.1. Dashboards und KPIs nach Abteilungen  
1.2.2. Operative, taktische und strategische Berichterstattung 
1.2.3. Datenanalytik für jede Abteilung 

1.2.3.1. Marketing und Kommunikation 
1.2.3.2. Verkauf 
1.2.3.3. Kundendienst 
1.2.3.4. Einkauf  
1.2.3.5. Verwaltung 
1.2.3.6. Personalwesen 
1.2.3.7. Produktion 
1.2.3.8. IT 

1.3. Marketing und Kommunikation 

1.3.1. Zu messende KPIs, Anwendungen und Vorteile 
1.3.2. Marketing-Systeme und Data Warehouse 
1.3.3. Implementierung einer Struktur zur Datenanalyse im Marketing 
1.3.4. Marketing- und Kommunikationsplan  
1.3.5. Strategien, Prognosen und Kampagnenmanagement 

1.4. Kommerziell und Verkauf  

1.4.1. Beiträge der Datenanalytik im kommerziellen Bereich  
1.4.2. Bedürfnisse der Verkaufsabteilung 
1.4.3. Marktstudien  

1.5. Kundendienst  

1.5.1. Loyalität  
1.5.2. Persönliche Qualität und emotionale Intelligenz  
1.5.3. Kundenzufriedenheit 

1.6. Einkauf   

1.6.1. Datenanalytik für die Marktforschung 
1.6.2. Datenanalytik für die Wettbewerbsforschung 
1.6.3. Andere Anwendungen 

1.7. Verwaltung   

1.7.1. Bedürfnisse der Verwaltungssabteilung 
1.7.2. Data Warehouse und finanzielle Risikoanalyse 
1.7.3. Data Warehouse und finanzielle Risikoanalyse 

1.8. Personalwesen 

1.8.1. Personalwesen und Vorteile der Datenanalyse 
1.8.2. Datenanalysetools in der Personalabteilung
1.8.3. Anwendung von Datenanalysen im Personalwesen 

1.9. Produktion   

1.9.1. Datenanalyse in einer Produktionsabteilung 
1.9.2. Anwendungen 
1.9.3. Vorteile  

1.10. IT  

1.10.1. IT-Abteilung 
1.10.2. Datenanalytik und digitale Transformation   
1.10.3. Innovation und Produktivität 

Modul 2. Datenverwaltung, Datenbearbeitung und Informationen für die Datenwissenschaft     

2.1. Statistik Variablen, Indizes und Kennziffern   

2.1.1. Statistik  
2.1.2. Statistische Dimensionen  
2.1.3. Variablen, Indizes und Kennziffern  

2.2. Daten-Typologie  

2.2.1. Qualitative  
2.2.2. Quantitative  
2.2.3. Charakterisierung und Kategorien  

2.3. Wissen über Daten aus Messungen   

2.3.1. Maßnahmen der Zentralisierung  
2.3.2. Maße der Streuung 
2.3.3. Korrelation  

2.4. Wissen über Daten aus Diagrammen 

2.4.1. Visualisierung nach Datentyp  
2.4.2. Interpretation von grafischen Informationen  
2.4.3. Anpassung von Grafiken mit R  

2.5. Wahrscheinlichkeit   

2.5.1. Wahrscheinlichkeit  
2.5.2. Wahrscheinlichkeitsfunktion  
2.5.3. Verteilungen  

2.6. Datenerhebung  

2.6.1. Methodik der Erhebung  
2.6.2. Erhebungsinstrumente  
2.6.3. Kanäle für die Erhebung  

2.7. Datenbereinigung  

2.7.1. Phasen der Datenbereinigung  
2.7.2. Qualität der Daten   
2.7.3. Datenmanipulation (mit R)  

2.8. Datenanalyse, Interpretation und Bewertung der Ergebnisse   

2.8.1. Statistische Maßnahmen  
2.8.2. Beziehungsindizes  
2.8.3. Data Mining  

2.9. Datenlager (Datawarehouse)  

2.9.1. Elemente   
2.9.2. Entwurf  

2.10. Verfügbarkeit von Daten  

2.10.1. Zugang  
2.10.2. Nützlichkeit  
2.10.3. Sicherheit 

Modul 3. IoT-Geräte und -Plattformen als Grundlage für die Datenwissenschaft

3.1. Internet of Things 

3.1.1. Internet der Zukunft, Internet of Things 
3.1.2. Das Konsortium Industrielles Internet 

3.2. Referenzarchitektur  

3.2.1. Referenzarchitektur 
3.2.2. Schichten 
3.2.3. Komponenten 

3.3. Sensoren und IoT-Geräte  

3.3.1. Hauptkomponenten 
3.3.2. Sensoren und Aktoren 

3.4. Kommunikation und Protokolle 

3.4.1. Protokolle. OSI-Modell 
3.4.2. Kommunikationstechnologien 

3.5. Cloud-Plattformen für IoT und IIoT  

3.5.1. Allzweck-Plattformen  
3.5.2. Industrielle Plattformen 
3.5.3. Open-Source-Plattformen 

3.6. Datenmanagement in IoT-Plattformen   

3.6.1. Mechanismen zur Datenverwaltung. Offene Daten 
3.6.2. Datenaustausch und Visualisierung 

3.7. IoT-Sicherheit   

3.7.1. Sicherheitsanforderungen und -bereiche 
3.7.2. IIoT-Sicherheitsstrategien 

3.8. IoT-Anwendungen   

3.8.1. Intelligente Städte 
3.8.2. Gesundheit und Fitness 
3.8.3. Intelligentes Zuhause 
3.8.4. Andere Anwendungen 

3.9. IIoT-Anwendungen 

3.9.1. Herstellung 
3.9.2. Transport 
3.9.3. Energie 
3.9.4. Landwirtschaft und Viehzucht 
3.9.5. Andere Sektoren 

3.10. Industrie 4.0  

3.10.1. IoRT (Internet of Robotics Things) 
3.10.2. 3D Additive Fertigung 
3.10.3. Big Data Analytics         

Modul 4. Grafische Darstellung für die Datenanalyse         

4.1. Explorative Analyse  

4.1.1. Repräsentation für die Informationsanalyse 
4.1.2. Der Wert der grafischen Darstellung 
4.1.3. Neue Paradigmen der grafischen Darstellung 

4.2. Optimierung für Datenwissenschaft  

4.2.1. Farbpalette und Design 
4.2.2. Gestalt in der grafischen Darstellung 
4.2.3. Zu vermeidende Fehler und Tipps   

4.3. Grundlegende Datenquellen 

4.3.1. Für die Qualitätsdarstellung 
4.3.2. Für die Mengendarstellung 
4.3.3. Für die Zeitdarstellung 

4.4. Komplexe Datenquellen 

4.4.1. Dateien, Listen und Datenbanken  
4.4.2. Offene Daten 
4.4.3. Kontinuierlich generierte Daten 

4.5. Arten von Grafiken  

4.5.1. Grundlegende Darstellungen 
4.5.2. Blockdarstellung  
4.5.3. Darstellung für die Ausbreitungsanalyse 
4.5.4. Zirkuläre Darstellungen 
4.5.5. Blasen-Darstellungen 
4.5.6. Geografische Darstellung  

4.6. Arten der Visualisierung 

4.6.1. Vergleichend und relational 
4.6.2. Verteilung 
4.6.3. Hierarchisch 

4.7. Berichtsentwurf mit grafischer Darstellung  

4.7.1. Anwendung von Diagrammen in Marketingberichten 
4.7.2. Anwendung von Diagrammen in Dashboards und KPIs 
4.7.3. Anwendung von Grafiken in strategischen Plänen 
4.7.4. Andere Verwendungen: Wissenschaft, Gesundheit, Wirtschaft  

4.8. Grafisches Geschichtenerzählen 

4.8.1. Grafisches Geschichtenerzählen 
4.8.2. Entwicklung  
4.8.3. Nützlichkeit 

4.9. Visualisierungsorientierte Tools  

4.9.1. Erweiterte Tools 
4.9.2. Online-Software 
4.9.3. Open Source 

4.10. Neue Technologien zur Datenvisualisierung  

4.10.1. Systeme zur Virtualisierung der Realität 
4.10.2. Systeme für Realitätserweiterung und -verbesserung 
4.10.3. Intelligente Systeme 

Modul 5. Tools der Datenwissenschaft             

5.1. Datenwissenschaft 

5.1.1. Datenwissenschaft 
5.1.2. Fortgeschrittene Tools für den Data Scientist   

5.2. Daten, Informationen und Wissen 

5.2.1. Daten, Informationen und Wissen  
5.2.2. Datentypen 
5.2.3. Datenquellen 

5.3. Von Daten zu Informationen  

5.3.1. Analyse der Daten 
5.3.2. Arten der Analyse 
5.3.3. Extraktion von Informationen aus einem Dataset  

5.4. Extraktion von Informationen durch Visualisierung 

5.4.1. Visualisierung als Analyseinstrument 
5.4.2. Methoden der Visualisierung  
5.4.3. Visualisierung eines Datensatzes 

5.5. Qualität der Daten 

5.5.1. Datenqualität 
5.5.2. Datenbereinigung  
5.5.3. Grundlegende Datenvorverarbeitung 

5.6. Dataset 

5.6.1. Dataset-Anreicherung 
5.6.2. Der Fluch der Dimensionalität 
5.6.3. Ändern unseres Datensatzes 

5.7. Ungleichgewicht  

5.7.1. Ungleichgewicht der Klassen 
5.7.2. Techniken zur Begrenzung von Ungleichgewichten 
5.7.3. Dataset-Abgleich 

5.8. Unüberwachte Modelle  

5.8.1. Unüberwachtes Modell 
5.8.2. Methoden 
5.8.3. Klassifizierung mit unüberwachten Modellen 

5.9. Überwachte Modelle 

5.9.1. Überwachtes Modell 
5.9.2. Methoden 
5.9.3. Klassifizierung mit überwachten Modellen 

5.10. Tools und bewährte Verfahren 

5.10.1. Bewährte Praktiken für einen Data Scientist 
5.10.2. Das beste Modell  
5.10.3. Nützliche Tools 

Modul 6. Data Mining. Auswahl, Vorverarbeitung und Transformation

6.1. Statistische Inferenz 

6.1.1. Deskriptive Statistik vs. statistische . Inferenz 
6.1.2. Parametrische Verfahren 
6.1.3. Nicht-parametrische Verfahren 

6.2. Explorative Analyse 

6.2.1. Deskriptive Analyse  
6.2.2. Visualisierung 
6.2.3. Vorbereitung der Daten 

6.3. Vorbereitung der Daten 

6.3.1. Datenintegration und -bereinigung  
6.3.2. Normalisierung der Daten 
6.3.3. Attribute umwandeln  

6.4. Verlorene Werte 

6.4.1. Umgang mit verlorenen Werten 
6.4.2. Maximum-Likelihood-Imputationsmethoden 
6.4.3. Imputation verlorener Werte durch maschinelles Lernen 

6.5. Datenrauschen  

6.5.1. Lärmklassen und Attribute 
6.5.2. Rauschfilterung  
6.5.3. Rauscheffekt 

6.6. Der Fluch der Dimensionalität 

6.6.1. Oversampling 
6.6.2. Undersampling 
6.6.3. Multidimensionale Datenreduktion 

6.7. Kontinuierliche zu diskreten Attributen 

6.7.1. Kontinuierliche vs. diskrete Daten 
6.7.2. Prozess der Diskretisierung 

6.8. Daten  

6.8.1. Datenauswahl  
6.8.2. Perspektiven und Auswahlkriterien 
6.8.3. Methoden der Auswahl  

6.9. Auswahl der Instanzen 

6.9.1. Methoden für die Instanzauswahl 
6.9.2. Auswahl der Prototypen 
6.9.3. Erweiterte Methoden für die Instanzauswahl 

6.10. Vorverarbeitung von Daten in Big Data-Umgebungen 

6.10.1. Big Data 
6.10.2. Klassische“ vs. massive Vorbearbeitung 
6.10.3. Smart Data     

Modul 7. Vorhersagbarkeit und Analyse von stochastischen Phänomenen 

7.1. Zeitreihen 

7.1.1. Zeitreihen   
7.1.2. Nützlichkeit und Anwendbarkeit 
7.1.3. Verwandte Kasuistik 

7.2. Die Zeitreihen 

7.2.1. Saisonaler Trend von ZR 
7.2.2. Typische Variationen 
7.2.3. Residuale Analyse 

7.3. Typologien 

7.3.1. Stationär 
7.3.2. Nicht stationär 
7.3.3. Transformationen und Anpassungen 

7.4. Schemata für Zeitreihen  

7.4.1. Additives (Modell) Schema 
7.4.2. Multiplikatives (Modell) Schema 
7.4.3. Verfahren zur Bestimmung der Art des Modells 

7.5. Grundlegende Methoden des Forecast 

7.5.1. Durchschnitt 
7.5.2. Naive 
7.5.3. Saisonal Naive 
7.5.4. Vergleich der Methoden 

7.6. Residuale Analyse  

7.6.1. Autokorrelation 
7.6.2. ACF der Residuen 
7.6.3. Korrelationstest 

7.7. Regression im Kontext von Zeitreihen  

7.7.1. ANOVA 
7.7.2. Grundlagen 
7.7.3. Praktische Anwendung  

7.8. Prädiktive Zeitreihenmodelle 

7.8.1. ARIMA 
7.8.2. Exponentiale Glättung  

7.9. Zeitreihenmanipulation und -analyse mit R 

7.9.1. Vorbereitung der Daten 
7.9.2. Muster-Identifizierung 
7.9.3. Modell-Analyse 
7.9.4. Vorhersage 

7.10. Grafische Analyse kombiniert mit R  

7.10.1. Typische Situationen 
7.10.2. Praktische Anwendung zum Lösen einfacher Probleme  
7.10.3. Praktische Anwendung für fortgeschrittene Problemlösungen  

Modul 8. Design und Entwicklung von intelligenten Systemen         

8.1. Vorverarbeitung der Daten   

8.1.1. Vorverarbeitung der Daten 
8.1.2. Datenumwandlung  
8.1.3. Data Mining 

8.2. Automatisches Lernen 

8.2.1. Überwachtes und unüberwachtes Lernen 
8.2.2. Lernen durch Verstärkung 
8.2.3. Andere Lern-Paradigma 

8.3. Klassifizierungsalgorithmen 

8.3.1. Induktives maschinelles Lernen 
8.3.2. SVM und KNN 
8.3.3. Metriken und Punktzahlen für die Rangliste 

8.4. Regressionsalgorithmen  

8.4.1. Lineare Regression, logistische Regression und nicht-lineare Modelle  
8.4.2. Zeitreihen  
8.4.3. Regressionsmetriken und -werte  

8.5. Clustering-Algorithmen  

8.5.1. Hierarchische Clustering-Techniken  
8.5.2. Partitionelle Clustering-Techniken  
8.5.3. Clustering-Metriken und -Bewertungen  

8.6. Assoziationsregel-Techniken  

8.6.1. Methoden zur Extraktion von Regeln  
8.6.2. Metriken und Punktzahlen für Assoziationsregel-Algorithmen  

8.7. Erweiterte Klassifizierungstechniken. Multiklassifizierer  

8.7.1. Bagging-Algorithmen  
8.7.2. Random Forests Sortierer  
8.7.3. Boosting für Entscheidungsbäume  

8.8. Probabilistische grafische Modelle  

8.8.1. Probabilistische Modelle  
8.8.2. Bayes‘sche Netzwerke. Eigenschaften, Darstellung und Parametrisierung   
8.8.3. Andere probabilistische grafische Modelle  

8.9. Neuronale Netze  

8.9.1. Maschinelles Lernen mit künstlichen neuronalen Netzen  
8.9.2. Feedforward-Netzwerke  

8.10. Tiefes Lernen  

8.10.1. Tiefe Feedforward-Netzwerke  
8.10.2. Faltungsneuronale Netze und Sequenzmodelle  
8.10.3. Tools für die Implementierung tiefer neuronaler Netze 

Modul 9. Datenintensive Architekturen und Systeme 

9.1. Nicht-funktionale Anforderungen. Säulen der Big Data-Anwendungen  

9.1.1. Verlässlichkeit  
9.1.2. Anpassungsfähigkeit  
9.1.3. Instandhaltbarkeit  

9.2. Datenmodelle  

9.2.1. Relationales Modell  
9.2.2. Dokumentarisches Modell  
9.2.3. Graph-Datenmodell  

9.3. Datenbanken. Verwaltung der Speicherung und des Abrufs von Daten  

9.3.1. Hash-Indizes      
9.3.2. Strukturierte Speicherung von Logs  
9.3.3. B-Bäume  

9.4. Datenverschlüsselungsformate  

9.4.1. Sprachspezifische Formate  
9.4.2. Standardisierte Formate  
9.4.3. Binäre Kodierungsformate  
9.4.4. Prozessübergreifender Datenfluss 

9.5. Replikation  

9.5.1. Ziele der Replikation  
9.5.2. Replikationsmodelle  
9.5.3. Probleme mit der Replikation  

9.6. Verteilte Transaktionen  

9.6.1. Transaktion   
9.6.2. Protokolle für verteilte Transaktionen 
9.6.3. Serialisierbare Transaktionen  

9.7. Aufteilung  

9.7.1. Formulare unterteilen  
9.7.2. Interaktion von Sekundärindex und Partitionierung  
9.7.3. Partitionierung neu ausbalancieren  

9.8. Offline-Datenverarbeitung  

9.8.1. Stapelverarbeitung  
9.8.2. Verteilte Dateisysteme  
9.8.3. MapReduce  

9.9. Datenverarbeitung in Echtzeit  

9.9.1. Message Broker-Typen  
9.9.2. Darstellung von Datenbanken als Datenströme  
9.9.3. Verarbeitung von Datenströmen  

9.10. Praktische Anwendungen im Unternehmen  

9.10.1. Konsistenz bei der Lektüre  
9.10.2. Ganzheitlicher Ansatz für Daten  
9.10.3. Skalierung eines verteilten Dienstes 

Modul 10. Praktische Anwendung der Datenwissenschaft in Geschäftsbereichen  

10.1. Gesundheitssektor  

10.1.1. Auswirkungen von KI und Datenanalyse im Gesundheitssektor  
10.1.2. Chancen und Herausforderungen   

10.2. Risiken und Trends in der Gesundheitsbranche    

10.2.1. Verwendung im Gesundheitssektor  
10.2.2. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI 

10.3. Finanzdienstleistungen   

10.3.1. Auswirkungen von KI und Datenanalyse auf den Finanzdienstleistungssektor  
10.3.2. Verwendung bei Finanzdienstleistungen  
10.3.3. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI  

10.4. Retail  

10.4.1. Auswirkungen von KI und Datenanalyse auf den Retail-Sektor  
10.4.2. Verwendung im Retail  
10.4.3. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI  

10.5. Industrie 4.0   

10.5.1. Auswirkungen von KI und Datenanalyse in der Industrie 4.0  
10.5.2. Einsatz in der Industrie 4.0  

10.6. Risiken und Trends in der Industrie 4.0    

10.6.1. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI   

10.7. Bildung   

10.7.1. Auswirkungen von KI und Datenanalyse im Bildungswesen  
10.7.2. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI  

10.8. Forst- und Landwirtschaft   

10.8.1. Auswirkungen von KI und Datenanalyse auf Forst- und Landwirtschaft  
10.8.2. Verwendung in Forst- und Landwirtschaft  
10.8.3. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI  

10.9. Personalwesen       

10.9.1. Auswirkungen von KI und Datenanalyse auf das Personalmanagement  
10.9.2. Praktische Anwendungen in der Geschäftswelt 
10.9.3. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI 

Modul 11. Visual Analytics im sozialen und technologischen Kontext  

11.1. Technologische Wellen in verschiedenen Gesellschaften. Auf dem Weg zu einer Data Society
11.2. Globalisierung. Globaler geopolitischer und sozialer Kontext 
11.3. VUCA-Umgebung. Immer in der Vergangenheit lebend 
11.4. Neue Technologien kennenlernen: 5G und IoT 
11.5. Neue Technologien kennenlernen: Cloud und Edge Computing 
11.6. Critical Thinking in Visual Analytics 
11.7. Die knowmads. Nomaden unter Daten 
11.8. Lernen, ein Unternehmer in Visual Analytics zu sein 
11.9. Theorien der Antizipation angewandt auf Visual Analytics 
11.10. Das neue Geschäftsumfeld. Digitale Transformation 

Modul 12. Analyse und Interpretation der Daten  

12.1. Einführung in die Statistik 
12.2. Maßnahmen für die Verarbeitung von Informationen 
12.3. Statistische Korrelation 
12.4. Theorie der bedingten Wahrscheinlichkeit 
12.5. Zufallsvariablen und Wahrscheinlichkeitsverteilungen 
12.6. Bayessche Inferenz 
12.7. Beispieltheorie 
12.8. Konfidenzintervalle 
12.9. Hypothesenprüfung 
12.10. Analyse der Regression 

Modul 13. Techniken zur Datenanalyse und KI  

13.1. Prädiktive Analytik 
13.2. Techniken zur Bewertung und Modellauswahl 
13.3. Lineare Optimierungstechniken 
13.4. Monte-Carlo-Simulation 
13.5. Analyse der Szenarien 
13.6. Techniken des Machine Learning 
13.7. Web-Analyse 
13.8. Techniken des Text Mining 
13.9. Methoden der natürlichen Sprachverarbeitung (NLP) 
13.10. Analyse von sozialen Netzwerken 

Modul 14. Instrumente zur Datenanalyse 

14.1. R in Data Science 
14.2. Python in Data Science 
14.3. Statische und statistische Diagramme 
14.4. Datenverarbeitung in verschiedenen Formaten und aus verschiedenen Quellen 
14.5. Datenbereinigung und -aufbereitung 
14.6. Sondierende Studien 
14.7. Entscheidungsbaum 
14.8. Klassifizierungs- und Assoziationsregeln 
14.9. Neuronale Netze 
14.10. Deep Learning 

Modul 15. Systeme zur Datenbankverwaltung und Datenparallelisierung 

15.1. Konventionelle Datenbanken 
15.2. Nicht-konventionelle Datenbanken 
15.3. Cloud computing: Verteilte Datenverwaltung  
15.4. Tools für die Aufnahme von großen Datenmengen 
15.5. Arten von Parallelen 
15.6. Streaming und Echtzeit-Datenverarbeitung 
15.7. Parallele Verarbeitung: Hadoop 
15.8. Parallele Verarbeitung: Spark 
15.9. Apache Kafka 

15.9.1. Einführung in Apache Kafka 
15.9.2. Architektur 
15.9.3. Datenstruktur 
15.9.4. API Kafka 
15.9.5. Anwendungsbeispiele 
15.10. Cloudera Impala 

Modul 16. Data-driven Soft Skills im strategischen Management in Visual Analytics 

16.1. Drive Profile for Data-driven 
16.2. Fortgeschrittene Managementfähigkeiten in Data-driven Organisationen 
16.3. Daten nutzen, um die Leistung der strategischen Kommunikation zu verbessern 
16.4. Emotionale Intelligenz angewandt auf das Management in Visual Analytics 
16.5. Effektive Präsentationen 
16.6. Verbesserung der Leistung durch motivierendes Management 
16.7. Führung in Data-driven Organisationen 
16.8. Digitale Talente in Data-driven Organisationen 
16.9. Data-driven Agile Organization I 
16.10. Data-driven Agile Organization II 

Modul 17. Strategisches Management von Visual-Analytics- und Big Data-Projekten

17.1. Einführung in das strategische Projektmanagement 
17.2. Best Practices in Big Data Prozessbeschreibung (PMI) 
17.3. Kimball-Methodik 
17.4. SQuID-Methodik 

17.4.1. Einführung in die SQuID-Methodik zur Durchführung von Big Data-Projekten 
17.4.2. Phase I. Sources 
17.4.3. Phase II. Data quality 
17.4.4. Phase III. Impossible questions 
17.4.5. Phase IV. Discovering 
17.4.6. Best practices in der Anwendung von SQuID auf Big Data Projekte 

17.5. Rechtliche Aspekte der Datenwelt 
17.6. Privatsphäre in Big Data 
17.7. Cybersicherheit bei Big Data 
17.8. Identifizierung und De-Identifizierung bei großen Datenmengen 
17.9. Daten-Ethik I 
17.10. Daten-Ethik II 

Modul 18. Kundenanalyse Anwendung von Datenintelligenz im Marketing 

18.1. Marketingkonzepte. Strategisches Marketing 
18.2. Relationales Marketing  
18.3. CRM als organisatorische Grundlage für die Kundenanalyse 
18.4. Web-Technologien 
18.5. Web-Datenquellen 
18.6. Web-Datenerfassung 
18.7.  Data-Mining-Tools für das Web
18.8. Semantisches Web 
18.9. OSINT: Open Source Intelligenz 
18.10. Master Lead oder wie man mit Big Data die Umwandlung in Verkäufe verbessern kann 

Modul 19. Interaktive Datenvisualisierung  

19.1. Einführung in die Kunst, Daten sichtbar zu machen 
19.2. Wie kann man mit Daten storytelling betreiben? 
19.3. Darstellungen von Daten 
19.4. Skalierbarkeit von visuellen Darstellungen 
19.5. Visual Analytics vs. Information Visualization. Verstehen, dass es nicht dasselbe ist 
19.6. Visueller Analyseprozess (Keim) 
19.7. Strategische, operative und Management-Berichterstattung 
19.8. Arten von Grafiken und ihre Funktion 
19.9. Interpretation von Berichten und Diagrammen. In der Rolle des Empfängers 
19.10. Bewertung von Visual Analytics Systemen 

Modul 20. Visualisierungstools  

20.1. Einführung in Tools zur Datenvisualisierung 
20.2. Many Eyes 
20.3. Google Charts 
20.4. jQuery 
20.5. Data-driven Documents I 
20.6. Data-driven Documents II 
20.7. Matlab 
20.8. Tableau 
20.9. SAS Visual Analytics 
20.10. Microsoft Power BI

Ein umfassender Lehrplan, der Sie dazu bringt, den Bereich Big Data zu beherrschen und ein erfolgreicher Business Strategy Architect zu werden“