{"id":230,"date":"2017-02-22T11:56:18","date_gmt":"2017-02-22T11:56:18","guid":{"rendered":"http:\/\/themes.themegoods.com\/grandconference\/demo\/?page_id=230"},"modified":"2019-10-14T13:49:03","modified_gmt":"2019-10-14T13:49:03","slug":"curriculum","status":"publish","type":"page","link":"https:\/\/www.data-university.de\/curriculum\/","title":{"rendered":"Curriculum"},"content":{"rendered":"<div  class=\"ppb_session_filterable one withsmallpadding \" style=\"margin-bottom:10px;\" >\n<div class=\"standard_wrapper\">\n<ul id=\"session_filter_15710609431374995462\" class=\"session_filters\">\n<li>\n\t\t\t    <a class=\"themelink active\" href=\"javascript:;\" data-filter=\"\" title=\"All Topics\">All Topics<\/a>\n\t\t\t<\/li>\n<li>\n\t\t\t\t\t<a class=\"themelink\" href=\"javascript:;\" data-filter=\"data-engineering\" title=\"Data Engineering\">Data Engineering<\/a>\n\t\t\t\t<\/li>\n<li>\n\t\t\t\t\t<a class=\"themelink\" href=\"javascript:;\" data-filter=\"data-science\" title=\"Data Science\">Data Science<\/a>\n\t\t\t\t<\/li>\n<li>\n\t\t\t\t\t<a class=\"themelink\" href=\"javascript:;\" data-filter=\"data-strategy\" title=\"Data Strategy\">Data Strategy<\/a>\n\t\t\t\t<\/li>\n<\/ul>\n<p><a href=\"javascript:;\" class=\"themelink session_expand_all do_expand\" id=\"session_expand_15710609431374995462\">Expand All +<\/a><\/p>\n<div id=\"15710609431374995462\">\n<ul class=\"scheduleday_wrapper themeborder one_half \">\n<li class=\"scheduleday_title\" style=\"background:#134c70;\">\n<div class=\"scheduleday_title_icon\"><span class=\"ti-calendar\" style=\"color:#ffffff;\"><\/span><\/div>\n<div class=\"scheduleday_title_content\">\n<h4 style=\"color:#ffffff;\">Tag 1<\/h4>\n<div class=\"scheduleday_desc\" style=\"color:#ffffff;\">09. Oktober 2019<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/li>\n<li class=\"themeborder \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_2001\">\n<div class=\"session_speaker_icon\"><span class=\"ti-timer\"><\/span><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">08:00&nbsp;&#8211;&nbsp;09:00<\/div>\n<div class=\"session_title\">\n<h6>Powerfr\u00fchst\u00fcck<\/h6>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_2001\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Wir starten die Data University gemeinsam um 08:00 Uhr mit einem energiereichen Powerfr\u00fchst\u00fcck mit Brainfood und Kaffee.<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-engineering data-science data-strategy \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_930\">\n<div class=\"session_speaker_icon\"><span class=\"ti-timer\"><\/span><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">12:00&nbsp;&#8211;&nbsp;13:00<\/div>\n<div class=\"session_title\">\n<h6>Mittagspause<\/h6>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-science \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_592\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/04\/david-schlepps-150x150.jpg\" alt=\"David Schlepps\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">13:00&nbsp;&#8211;&nbsp;16:00<\/div>\n<div class=\"session_title\">\n<h6>Interaktive Datenvisualisierung mit Plotly<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/david-schlepps\/\">David Schlepps<\/a><\/strong>&nbsp;Manager Data Academy @ STATWORX<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_592\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Datenvisualisierung nimmt im Data Science Workflow einen immer wichtigeren Teil ein. Sowohl im Bereich der Datenexploration als auch bei der Aufbereitung und Visualisierung von Ergebnissen spielt sie eine wichtige Rolle. Neben statistischen Libraries f\u00fcr Datenvisualisierung wie matplotlib f\u00fcr Python oder ggplot2 f\u00fcr R hat sich insbesondere Plotly f\u00fcr interaktive Plots und Abbildungen als wichtige Technologie etabliert. Mit Plotly k\u00f6nnen eine Vielzahl von Plots mit interaktiven Komponenten ausgestattet werden, die bspw. ein interaktives Drilldown oder Filtering erm\u00f6glichen. Dieser Workshop vermittelt die Grundlagen interaktiver Datenvisualisierung mit Plotly sowohl mit R als auch Python. Dabei werden wir den Workflow zur Erstellung und Anpassung von Plotly Charts behandeln sowie einen Ausblick auf das Dashboarding Tool Dash geben. Im Anschluss an den Workshop bist du in der Lage eigenst\u00e4ndig Plotly Abbildungen in R oder Python zu erzeugen, um deine Visualisierungen noch ansprechender zu gestalten.<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>13:00 &#8211; 14:30: Workshop Teil 1<br \/>\n<br \/>14:30 &#8211; 14:45: Kaffeepause<br \/>\n<br \/>14:45 &#8211; 16:00: Workshop Teil 2\n<\/p>\n<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Science<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 2.101<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-engineering \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_590\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/06\/jacqueline-bloemen-150x150.jpg\" alt=\"Jacqueline Bloemen\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">13:00&nbsp;&#8211;&nbsp;16:00<\/div>\n<div class=\"session_title\">\n<h6>Advanced Data Architecture \u2013 Zielbilder aus der Praxis<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/jacqueline-bloemen\/\">Jacqueline Bloemen<\/a><\/strong>&nbsp;Senior Analyst Data &#038; Analytics @ BARC<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_590\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Die klassischen Business Intelleigence sieht mit dem Data Warehouse meist eine geordnete Datenarchitektur mit festen Regeln vor. Das Erforschen von Daten bis hin zur Operationalisierung von Advanced Analytics L\u00f6sungen ben\u00f6tigt wesentlich mehr Flexibilit\u00e4t. Das wirkt sich auf Datenarchitektur, Designprinzipien und Technologien aus. Dabei entstehen recht heterogene L\u00f6sungsans\u00e4tze, die Anforderungsgerecht zu gestalten sind. Wir greifen die Grundprinzipien vom Vormittag auf und diskutieren exemplarische Zielbilder aus der Praxis projiziert.<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>13:00 &#8211; 14:30: Workshop Teil 1<br \/>\n<br \/>14:30 &#8211; 14:45: Kaffeepause<br \/>\n<br \/>14:45 &#8211; 16:00: Workshop Teil 2\n<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Engineering<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 0.105<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-strategy \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_586\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/04\/dr-sebastian-derwisch-150x150.jpg\" alt=\"Sebastian Derwisch\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">13:00&nbsp;&#8211;&nbsp;16:00<\/div>\n<div class=\"session_title\">\n<h6>Automated Machine Learning<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/sebastian-derwisch\/\">Sebastian Derwisch<\/a><\/strong>&nbsp;Data Scientist @ BARC<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_586\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Software, die Machine Learning automatisiert, findet in den letzten Jahren immer mehr Verbreitung. Kommerzielle Advanced Analytics Plattformen integrieren diese Funktionen in ihr Portfolio, spezifische Applikationen werden angeboten und es existieren mittlerweile verschiedene Open Source Bibliotheken dazu. Aber was genau wird bei diesen Ans\u00e4tzen automatisiert und in welchen Szenarien wird die Software genutzt? K\u00f6nnen diese Ans\u00e4tze in Zukunft sogar den Data Scientist automatisieren? Der Workshop hat das Ziel Automatisierte ML L\u00f6sungen einzuordnen, Einsatzszenarien sowie M\u00f6glichkeiten und Grenzen aufzuzeigen. Dabei geben wir einen \u00dcberblick \u00fcber die folgenden Themen: (1) \u00dcbersicht Analytischer Prozess \u2013 was l\u00e4sst sich automatisieren, (2) Markt\u00fcbersicht AutoML L\u00f6sungen, (3) Deep Dive Technologie, (4) Grenzen der Automatisierung, (5) Rolle des Data Scientist\/Business Analyst \u2013 Human in the loop.<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>13:00 &#8211; 14:30: Workshop Teil 1<br \/>\n<br \/>14:30 &#8211; 14:45: Kaffeepause<br \/>\n<br \/>14:45 &#8211; 16:00: Workshop Teil 2<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Strategy<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 2.104<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-strategy \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_582\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/06\/jacqueline-bloemen-150x150.jpg\" alt=\"Jacqueline Bloemen\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">09:00&nbsp;&#8211;&nbsp;12:00<\/div>\n<div class=\"session_title\">\n<h6>Das 1&#215;1 der Data Strategy &#038; Governance<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/jacqueline-bloemen\/\">Jacqueline Bloemen<\/a><\/strong>&nbsp;Senior Analyst Data &#038; Analytics @ BARC<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_582\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Im Kurs Data Strategy bauen wir ein besseres Verst\u00e4ndnis einer Data Strategy auf und diskutieren Ans\u00e4tze, diese auf das Unternehmen zu projizieren. Ans\u00e4tze zur Umsetzung der Strategie sowie einer unterst\u00fctzenden Data Governance werden vorgestellt und mit Ihnen diskutiert. Strategische und organisatorische Aspekte wie unternehmerischer Nutzen, Rollen, F\u00e4higkeiten und interdisziplin\u00e4res Arbeiten werden angesprochen. Auch wird beleuchtet, welche Rolle Technologien f\u00fcr Trendthemen wie beispielsweise Datenqualit\u00e4t, Data Cataloging und Data Discovery spielen. Im Kurs widmen wir uns u.a. folgenden Fragestellungen:<br \/>\nDigitalisierung und Datenlandschaften im Unternehmen, Aufbrechen von Datensilos, Datenlebenszyklus \u2013 worin liegen die Herausforderungen? Worum dreht sich eine Data Strategy und warum ist sie wichtig?<br \/>\nWelche Rolle spielt eine Data Strategy aus Sicht von BI und Data Warehousing, aus Sicht der Advanced Analytics, aber auch aus Sicht vom Smart Processes?<br \/>\nWas bedeutet Data Governance und welche Treiber gibt es daf\u00fcr? Wie sichert man einen effizienten und agilen Umgang mit Daten?<br \/>\nWelche Bedeutung hat Technologie f\u00fcr die Umsetzung einer Data Strategy und welcher Nutzen ist damit verbunden?<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>9:00 &#8211; 10:30: Workshop Teil 1<br \/>\n<br \/>10:30 &#8211; 10:45: Kaffeepause<br \/>\n<br \/>10:45 &#8211; 12:00: Workshop Teil 2<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Strategy<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 0.105<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-science \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_576\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/04\/dr-sebastian-derwisch-150x150.jpg\" alt=\"Sebastian Derwisch\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">09:00&nbsp;&#8211;&nbsp;12:00<\/div>\n<div class=\"session_title\">\n<h6>Data Science f\u00fcr Business Analysten &#8211; Datenaufbereitung und visuelle Analyse<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/sebastian-derwisch\/\">Sebastian Derwisch<\/a><\/strong>&nbsp;Data Scientist @ BARC<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_576\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Immer mehr Business Intelligence Werkzeuge bieten fortgeschrittene Methoden der Datenanalyse sowie Funktionalit\u00e4ten der Datenaufbereitung. Hinzu kommt, dass Fachanwender zunehmend in einen Dialog mit Data Scientists treten m\u00fcssen um Use Cases zu identifizieren und die Ergebnisse mathematischer Analysen zu verstehen. Dies erfordert von Anwendern ein grundlegendes Verst\u00e4ndnis der Vorgehensweise der wichtigsten Analysekonzepte sowie die F\u00e4higkeit den Output fortgeschrittener Analysemethoden richtig interpretieren zu k\u00f6nnen. Der Kurs f\u00fchrt Business Analysten in die Vorgehensweise und die Methoden der Data Science ein. Fokus ist das Formulieren analytischer Fragestellungen sowie die visuelle Analyse. Die erarbeiteten Methoden k\u00f6nnen im Modul \u201eInteraktive Datenvisualisierung\u201c praktisch anhand von R \u00dcbungen vertieft werden.<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>9:00 &#8211; 10:30: Workshop Teil 1<br \/>\n<br \/>10:30 &#8211; 10:45: Kaffeepause<br \/>\n<br \/>10:45 &#8211; 12:00: Workshop Teil 2<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Science<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 2.104<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-science \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_562\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/04\/fabian-mueller-150x150.jpg\" alt=\"Fabian M\u00fcller\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">09:00&nbsp;&#8211;&nbsp;12:00<\/div>\n<div class=\"session_title\">\n<h6>Advanced Data Manipulation<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/fabian-mueller\/\">Fabian M\u00fcller<\/a><\/strong>&nbsp;Head of Data Science @ STATWORX<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_562\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Vor der Gewinnung von Informationen aus Daten (z.B. durch Visualisierung, statistische Analysen oder Machine Learning) m\u00fcssen diese in der Regel erst aufw\u00e4ndig aufbereitet werden. R und Python bieten hierf\u00fcr mit den Packages dplyr und pandas \u00fcber den Basisumfang hinaus hilfreiche Funktionen an, die dich in die Lage versetzen, auch sehr komplexe Datenaufbereitungen durchzuf\u00fchren. Hierbei k\u00f6nnen auch gr\u00f6\u00dfere Datenmengen schnell und komfortabel verarbeitet werden.<\/p>\n<p>In diesem Workshop lernst du, wie sich komplexe Data Preparation Schritte mit Hilfe der Pakete dplyr und pandas elegant durchf\u00fchren lassen. Dazu werden zentrale Datenaufbereitungsoperationen, wie filtern, aggregieren und reshapen, anhand von Beispielen erl\u00e4utert und im Rahmen von \u00dcbungen vertieft. Weiterhin werden die Verkettung und Gruppierung von Operationen in Pipelines besprochen. Nach dem Workshop bist du in der Lage, verschiedene Schritte zur Datenaufbereitung in R und Python zu entwickeln.<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>9:00 &#8211; 10:30: Workshop Teil 1<br \/>\n<br \/>10:30 &#8211; 10:45: Kaffeepause<br \/>\n<br \/>10:45 &#8211; 12:00: Workshop Teil 2<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Science<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 1.104<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-engineering \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_554\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/04\/Sebastian-Heinz-STATWORX-150x150.jpg\" alt=\"Sebastian Heinz\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">13:00&nbsp;&#8211;&nbsp;16:00<\/div>\n<div class=\"session_title\">\n<h6>Cloud Computing f\u00fcr Data Science<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/sebastian-heinz\/\">Sebastian Heinz<\/a><\/strong>&nbsp;CEO @ STATWORX<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_554\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Cloud Computing gewinnt f\u00fcr viele Unternehmen immer weiter an Relevanz. Auch im Bereich Data Science und AI ist die Cloud ein zentraler Treiber f\u00fcr den Erfolg von Forschung, Entwicklung und Deployment.<\/p>\n<p>Im Workshop \u201eCloud Computing f\u00fcr Data Science\u201c erf\u00e4hrst du, wie du schnell und unkompliziert Compute-Aufgaben im Rahmen Ihrer Data Science Projekte in die Cloud auslagern kannst. Dabei fokussieren wir uns auf die Vorstellung relevanter Cloud-Komponenten entlang des Data Science Workflows und setzen diesen Schritt f\u00fcr Schritt mit dir um. Nach dem Workshop bist du in der Lage, eigene Data Science Workflows in der Cloud zu erstellen und die daf\u00fcr notwendigen Komponenten selbst\u00e4ndig zu deployen.<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>13:00 &#8211; 14:30: Workshop Teil 1<br \/>\n<br \/>14:30 &#8211; 14:45: Kaffeepause<br \/>\n<br \/>14:45 &#8211; 16:00: Workshop Teil 2<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Engineering<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 1.104<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-engineering \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_549\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/04\/david-schlepps-150x150.jpg\" alt=\"David Schlepps\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">09:00&nbsp;&#8211;&nbsp;12:00<\/div>\n<div class=\"session_title\">\n<h6>Apache Spark f\u00fcr Data Science<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/david-schlepps\/\">David Schlepps<\/a><\/strong>&nbsp;Manager Data Academy @ STATWORX<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_549\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Apache Spark hat sich in den letzten Jahren von einem Forschungsprojekt hin zu einer Kerntechnologie im Big Data Umfeld entwickelt. Spark ist, \u00e4hnlich wie Hadoop, eine verteilte Cluster-Computing-Technologie, mit der sehr gro\u00dfe Datenmengen verteilt verarbeitet werden k\u00f6nnen. Im Gegensatz zu Hadoop werden im Spark-Cluster Daten in-Memory, also im Arbeitsspeicher verarbeitet, was in vielen F\u00e4llen einen deutlichen Performancezuwachs mit sich bringt. Auch im Data Science Bereich findet Spark heute an vielen Stellen Anwendung.<\/p>\n<p>Im Workshop \u201eApache Spark f\u00fcr Data Science\u201c lernst du die theoretischen sowie technischen Grundlagen von Apache Spark und wendest diese auf konkrete Datenverarbeitungsprobleme in R oder Python an. Somit erh\u00e4ltst du einen anwendungsorientierten Einblick in die Technologie und kannst im Anschluss erste Spark Jobs erstellen und auf deine eigenen Datenbest\u00e4nde anwenden.<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>9:00 &#8211; 10:30: Workshop Teil 1<br \/>\n<br \/>10:30 &#8211; 10:45: Kaffeepause<br \/>\n<br \/>10:45 &#8211; 12:00: Workshop Teil 2<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Engineering<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 2.101<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<\/ul>\n<ul class=\"scheduleday_wrapper themeborder one_half last\">\n<li class=\"scheduleday_title\" style=\"background:#134c70;\">\n<div class=\"scheduleday_title_icon\"><span class=\"ti-calendar\" style=\"color:#ffffff;\"><\/span><\/div>\n<div class=\"scheduleday_title_content\">\n<h4 style=\"color:#ffffff;\">Tag 2<\/h4>\n<div class=\"scheduleday_desc\" style=\"color:#ffffff;\">10. Oktober 2019<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/li>\n<li class=\"themeborder \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_2001\">\n<div class=\"session_speaker_icon\"><span class=\"ti-timer\"><\/span><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">08:00&nbsp;&#8211;&nbsp;09:00<\/div>\n<div class=\"session_title\">\n<h6>Powerfr\u00fchst\u00fcck<\/h6>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_2001\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Wir starten die Data University gemeinsam um 08:00 Uhr mit einem energiereichen Powerfr\u00fchst\u00fcck mit Brainfood und Kaffee.<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-engineering data-science data-strategy \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_930\">\n<div class=\"session_speaker_icon\"><span class=\"ti-timer\"><\/span><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">12:00&nbsp;&#8211;&nbsp;13:00<\/div>\n<div class=\"session_title\">\n<h6>Mittagspause<\/h6>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-strategy \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_584\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/06\/timm-grosser-150x150.jpg\" alt=\"Timm Grosser\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">09:00&nbsp;&#8211;&nbsp;12:00<\/div>\n<div class=\"session_title\">\n<h6>Das 1&#215;1 des Data Cataloging<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/timm-grosser\/\">Timm Grosser<\/a><\/strong>&nbsp;Senior Analyst Data &#038; Analytics &#8211; Head of Consulting @ BARC<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_584\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Um Daten f\u00fcr Business Intelligence, Advanced Analytics oder die Entwicklungen von Anwendungen in komplexen Datenlandschaften \u00fcberhaupt finden und recherchieren zu k\u00f6nnen, werden zus\u00e4tzliche Informationen \u00fcber sie ben\u00f6tigt. Wissen \u00fcber die eigenen Daten aufzubauen, entwickelt sich zur Kernaufgabe, die 3 von 4 Unternehmen nicht beherrschen. Das zeigt die BARC-Studie \u201eHow to Rule Your Data World\u201c. Die befragten Nutzer konstatieren, dass mangelnde Ressourcen und Skills eine gro\u00dfe Herausforderung darstellen. Eine These besteht darin, Daten in den heterogenen Systemlandschaften durch Datenkataloge einfacher, schneller und gezielter auffindbar zu machen. Data-Cataloging-Werkzeuge bieten eine technologische Plattform f\u00fcr den Aufbau solcher Kataloge. Sie versprechen den Aufwand f\u00fcr die Ordnung und Anreicherung von Daten niedrig zu halten sowie die Effizienz in der Nutzung von Daten zu steigern. Wir behandeln unter anderem folgende Fragestellungen im Data-Cataloging-Kurs: Datenkataloge: Was ist das \u00fcberhaupt und welche Anwendungsf\u00e4lle werden unterst\u00fctzt? Wer arbeitet mit einem Datenkatalog und welcher Nutzen kann erreicht werden? Was sind typische Anforderungen an einen Datenkatalog? Best Practices: Was sind typische Ans\u00e4tze f\u00fcr die Einf\u00fchrung und Betrieb eines Datenkataloges? Technologie: Welche Rolle spielt Technologie und welcher Nutzen kann durch den Einsatz erreicht werden\/oder auch nicht? Wie ist der Softwaremarkt strukturiert, welche Ans\u00e4tze gibt es und wie unterscheiden sich diese?<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>9:00 &#8211; 10:30: Workshop Teil 1<br \/>\n<br \/>10:30 &#8211; 10:45: Kaffeepause<br \/>\n<br \/>10:45 &#8211; 12:00: Workshop Teil 2<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Strategy<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 0.105<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-strategy \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_580\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/04\/dr-sebastian-derwisch-150x150.jpg\" alt=\"Sebastian Derwisch\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">13:00&nbsp;&#8211;&nbsp;16:00<\/div>\n<div class=\"session_title\">\n<h6>Data Science Prototypen strukturieren<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/sebastian-derwisch\/\">Sebastian Derwisch<\/a><\/strong>&nbsp;Data Scientist @ BARC<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_580\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Data Science Projekte starten \u00fcblicherweise mit der Prototypisierung, einem sogenannten Proof of Concept. Hier werden Ideen anhand von konkreter Daten erprobt und ein mathematischer Ansatz identifiziert. Die Prototypisierung ist gepr\u00e4gt von einer interaktiven Suche nach L\u00f6sungsans\u00e4tzen f\u00fcr Datenaufbereitung, Modellierung und Ergebnisdarstellung. Wie aber kann kreatives, exploratives Arbeiten strukturiert werden? In welchen Schritten geht man vor und welche Ergebnisse sind zu erwarten? Warum muss das Scheitern des Proof of Concepts mit einkalkuliert werden und in welchen Zeitr\u00e4umen sollte hier gedacht werden? Alle diese Fragen werden in diesem Modul beantwortet.<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>13:00 &#8211; 14:30: Workshop Teil 1<br \/>\n<br \/>14:30 &#8211; 14:45: Kaffeepause<br \/>\n<br \/>14:45 &#8211; 16:00: Workshop Teil 2<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Strategy<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 0.105<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-science \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_568\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/04\/Sebastian-Heinz-STATWORX-150x150.jpg\" alt=\"Sebastian Heinz\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">13:00&nbsp;&#8211;&nbsp;16:00<\/div>\n<div class=\"session_title\">\n<h6>Einf\u00fchrung in Deep Reinforcement Learning<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/sebastian-heinz\/\">Sebastian Heinz<\/a><\/strong>&nbsp;CEO @ STATWORX<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_568\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Reinforcement Learning bildet neben Supervised- und Unsupervised Learning die dritte gro\u00dfe Gruppe von Machine Learning Verfahren und wird von AI Wissenschaftlern zur L\u00f6sung von KI Fragestellungen eingesetzt. Dabei zeichnet sich Reinforcement Learning insbesondere dadurch aus, dass das Modell kontinuierlich durch die Beobachtung der Auswirkungen seiner Handlungen auf die es umgebende Umwelt lernt. Somit lassen sich Methoden des Reinforcement Learning insbesondere in stochastischen bzw. dynamischen Umgebungen einsetzen, die sich auf Basis bestimmter Aktionen ver\u00e4ndern. Im Kontext von Reinforcement Learning werden sehr h\u00e4ufig neuronale Netze bzw. Deep Learning Modelle verwendet, die die n\u00f6tige Kapazit\u00e4t zur Modellierung der dynamischen Problemstruktur bereitstellen.<\/p>\n<p>Im Workshop \u201eEinf\u00fchrung in Deep Reinforcement Learning\u201d erlernst du die grundlegenden Konzepte und Mechanismen von Reinforcement Learning wie Q-Learning bzw. Deep Q-Learning. Dabei liegt der Fokus sowohl auf der Vermittlung theoretischer Konzepte als auch auf der praktischen Implementierung in Python und Open AI-Gym. Nach dem Abschluss des Workshops kannst du eigenst\u00e4ndig erste, kleinere Reinforcement Learning Probleme modellieren und in Python umsetzen.<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>13:00 &#8211; 14:30: Workshop Teil 1<br \/>\n<br \/>14:30 &#8211; 14:45: Kaffeepause<br \/>\n<br \/>14:45 &#8211; 16:00: Workshop Teil 2<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Science<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 1.104<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-science \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_566\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/04\/Sebastian-Heinz-STATWORX-150x150.jpg\" alt=\"Sebastian Heinz\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">09:00&nbsp;&#8211;&nbsp;12:00<\/div>\n<div class=\"session_title\">\n<h6>Deep Learning mit TensorFlow 2.0<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/sebastian-heinz\/\">Sebastian Heinz<\/a><\/strong>&nbsp;CEO @ STATWORX<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_566\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Mit TensorFlow hat Google eines der wichtigsten Machine Learning Frameworks der letzten Jahre f\u00fcr Python ver\u00f6ffentlicht. Mit TensorFlow lassen sich graphenbasierte Modelle programmieren, die sich insbesondere f\u00fcr die Entwicklung von neuronalen Netzen und Deep Learning Modellen eigenen. Zudem bietet TensorFlow die M\u00f6glichkeit, die entwickelten Modelle auf verteilten Systemen zu skalieren, um auch mit gro\u00dfen Datenmengen effizient umgehen zu k\u00f6nnen. K\u00fcrzlich wurde TensorFlow in der Version 2.0 ver\u00f6ffentlicht, die viele \u00c4nderungen wie bspw. die nahtlose Integration der TensorFlow API Keras mit sich brachte.<\/p>\n<p>Der Workshop \u201eDeep Learning mit TensorFlow 2.0\u201c vermittelt dir grundlegende Kenntnisse der Theorie und Entwicklung von neuronalen Netzen und Deep Learning Modellen in TensorFlow 2.0. Dabei werden sowohl wichtige theoretische Aspekte behandelt als auch viele praktische \u00dcbungen in TensorFlow und Python durchgef\u00fchrt. Im Anschluss an den Workshop bist du in der Lage, selbst\u00e4ndig erste Deep Learning Modelle in TensorFlow und Python zu entwickeln.<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>9:00 &#8211; 10:30: Workshop Teil 1<br \/>\n<br \/>10:30 &#8211; 10:45: Kaffeepause<br \/>\n<br \/>10:45 &#8211; 12:00: Workshop Teil 2<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Science<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 1.104<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-engineering \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_558\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/04\/david-schlepps-150x150.jpg\" alt=\"David Schlepps\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">13:00&nbsp;&#8211;&nbsp;16:00<\/div>\n<div class=\"session_title\">\n<h6>R Shiny Applikationen skalieren<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/david-schlepps\/\">David Schlepps<\/a><\/strong>&nbsp;Manager Data Academy @ STATWORX<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_558\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Nach der Entwicklung von R Shiny Applikationen sollen diese in der Regel innerhalb der Unternehmensinfrastruktur f\u00fcr eine gr\u00f6\u00dfere Anzahl an Benutzern bereitgestellt werden. Hierf\u00fcr kommen, neben dem kommerziellen Produkt R Shiny Server Pro, auch andere Deployment Szenarien in Betracht. Hierzu z\u00e4hlt insbesondere der Shiny Proxy, der grundlegende Enterprise-Funktionalit\u00e4ten wie Authentifizierung und Skalierung auf Basis von Open Source Technologien bereitstellt.<\/p>\n<p>Im Workshop \u201eR Shiny Applikationen skalieren\u201c lernst du, wie du deine Shiny Applikation \u00fcber Shiny Proxy deployen kannst. Hierzu spielen wir praxisorientiert die gesamte End-2-End Strecke, von der Installation \u00fcber Konfiguration bis hin zum Serving der Shiny App, durch. Hierbei gehen wir auch auf die Themen Authentifizierung, Sicherheit sowie horizontale Skalierung ein. Nach dem Workshop bist du in der Lage, eigenst\u00e4ndig Shiny Proxy Server zu installieren und f\u00fcr den Einsatz mit deinen Shiny Apps zu konfigurieren.<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>13:00 &#8211; 14:30: Workshop Teil 1<br \/>\n<br \/>14:30 &#8211; 14:45: Kaffeepause<br \/>\n<br \/>14:45 &#8211; 16:00: Workshop Teil 2<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Engineering<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 2.104<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-engineering \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_556\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/04\/david-schlepps-150x150.jpg\" alt=\"David Schlepps\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">09:00&nbsp;&#8211;&nbsp;12:00<\/div>\n<div class=\"session_title\">\n<h6>R Shiny Applikationen entwickeln<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/david-schlepps\/\">David Schlepps<\/a><\/strong>&nbsp;Manager Data Academy @ STATWORX<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_556\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Shiny ist ein R Paket von RStudio, das es erm\u00f6glicht, interaktive Web-Applikationen direkt mit R zu entwickeln. Hierbei werden die umfangreichen Funktionalit\u00e4ten von R mit einer interaktiven Benutzeroberfl\u00e4che verbunden. R Shiny verwandelt statische Analysen in interaktive Nutzeranwendungen, deren Umfang weit \u00fcber einfache Visualisierungen deutlich hinausgehen k\u00f6nnen. Dabei k\u00f6nnen R Entwickler vertraute Konzepte der R Programmierung anwenden und nach Belieben mit weiteren Webtechnologien wie z.B. HTML5, CSS oder JavaScript kombinieren und erweitern.<\/p>\n<p>Der Workshop \u201eR Shiny Applikationen entwickeln\u201d vermittelt dir grundlegende Kenntnisse \u00fcber die Funktionalit\u00e4ten von Shiny, die ben\u00f6tigt werden, um interaktive Visualisierungsoberfl\u00e4chen zu erstellen. Dabei werden die theoretisch erworbenen Konzepte anhand von \u00dcbungen praktisch vertieft. Am Schluss geben wir dir zudem einen Ausblick \u00fcber fortgeschrittene M\u00f6glichkeiten, Shiny mithilfe von HTML und JavaScript eigenst\u00e4ndig und beliebig zu erweitern. Nach dem Workshop bist du in der Lage, selbst\u00e4ndig erste Shiny Applikationen in R zu entwickeln.<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>9:00 &#8211; 10:30: Workshop Teil 1<br \/>\n<br \/>10:30 &#8211; 10:45: Kaffeepause<br \/>\n<br \/>10:45 &#8211; 12:00: Workshop Teil 2<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Engineering<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 2.104<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-engineering \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_547\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/04\/fabian-mueller-150x150.jpg\" alt=\"Fabian M\u00fcller\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">13:00&nbsp;&#8211;&nbsp;16:00<\/div>\n<div class=\"session_title\">\n<h6>Einf\u00fchrung in Docker f\u00fcr Data Science<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/fabian-mueller\/\">Fabian M\u00fcller<\/a><\/strong>&nbsp;Head of Data Science @ STATWORX<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_547\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Docker ist eine Technologie, um Applikationen in Form von sog. Containern auszuliefern. Der Container enth\u00e4lt dabei alle Bestandteile, die zur Ausf\u00fchrung der Applikation ben\u00f6tigt werden. Dies erlaubt ein simplifiziertes Deployment sowie eine einfache horizontale Skalierung. Auch f\u00fcr Data Science Anwendungen liefert Docker einen gro\u00dfen Mehrwert. Modelle lassen sich in Containern f\u00fcr die Produktion verpacken und unkompliziert in die Infrastruktur einbetten.<\/p>\n<p>In diesem Kurs lernst du die technischen Grundlagen von Docker und erstellst eigenst\u00e4ndig einen Docker-Container, der \u00fcber eine Web-Schnittstelle ein Machine Learning Modell ausliefert. Dabei fokussiert sich der Kurs auf die grunds\u00e4tzliche Funktionsweise von Docker Containern sowie deren praktische Erstellung. Nach dem Abschluss des Workshops kannst du eigenst\u00e4ndig einfache Docker Container erstellen und auf deiner Infrastruktur deployen.<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>13:00 &#8211; 14:30: Workshop Teil 1<br \/>\n<br \/>14:30 &#8211; 14:45: Kaffeepause<br \/>\n<br \/>14:45 &#8211; 16:00: Workshop Teil 2<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Engineering<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 2.101<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<li class=\"themeborder data-engineering \">\n<div class=\"session_content_wrapper expandable\" data-expandid=\"excerpt_545\">\n<div class=\"session_speaker_thumb\"><img src=\"https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/04\/fabian-mueller-150x150.jpg\" alt=\"Fabian M\u00fcller\"\/><\/div>\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_start_time\">09:00&nbsp;&#8211;&nbsp;12:00<\/div>\n<div class=\"session_title\">\n<h6>Einf\u00fchrung in Git f\u00fcr Data Science<\/h6>\n<\/div>\n<div class=\"session_speakers\">By&nbsp;<strong><a href=\"https:\/\/www.data-university.de\/speaker\/fabian-mueller\/\">Fabian M\u00fcller<\/a><\/strong>&nbsp;Head of Data Science @ STATWORX<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<div id=\"excerpt_545\" class=\"session_content_extend hide session_content_wrapper\">\n<div class=\"session_content has_speaker_thumb\">\n<div class=\"session_excerpt\">Die gemeinsame Arbeit an Data Science Projekten geh\u00f6rt heute zum Projektalltag. Git erm\u00f6glicht es Data Science Entwicklern, kollaborativ an Code-Projekten zu arbeiten, um diese von der Idee bis hin zur Produktion zu f\u00fchren. Dabei stehen dem Entwickler diverse Funktionen zur Verf\u00fcgung, die die gemeinsame Arbeit an dem Code vereinfachen sollen. Git l\u00e4sst sich dabei sowohl auf Kommandozeilenebene als auch durch eine GUI bzw. 3rd Party Software verwalten.<\/p>\n<p>Im Workshop \u201eGit f\u00fcr Data Science\u201d erh\u00e4ltst du eine praxisorientierte Einf\u00fchrung in die Welt der Versionskontrolle mit Git. Dabei behandeln wir sowohl grundlegende Themen wie pushen, pullen, branchen und commiten als auch fortgeschrittenere Konzepte wie mergen oder rebasen. Nach dem Kurs bist du in der Lage, eigene Git Repositories anzulegen, zu verwalten und mit deinen Kollegen gemeinsam an einem Projekt zu arbeiten.<\/p>\n<p>\n<br \/>Kursablauf:<br \/>\n<br \/>9:00 &#8211; 10:30: Workshop Teil 1<br \/>\n<br \/>10:30 &#8211; 10:45: Kaffeepause<br \/>\n<br \/>10:45 &#8211; 12:00: Workshop Teil 2<\/div>\n<div class=\"session_title_list\"><span class=\"ti-bookmark\"><\/span><\/p>\n<div class=\"session_title_item\">Data Engineering<\/div>\n<\/div>\n<div class=\"session_location themeborder\">\n<div class=\"session_location_label skin_color\">Where<\/div>\n<div class=\"session_location_content\">Raum SH 2.101<\/div>\n<\/div>\n<\/div>\n<p><br class=\"clear\"\/><\/div>\n<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<\/div>\n<div  class=\"one withsmallpadding ppb_header parallax withbg \" style=\"background-image:url(https:\/\/www.data-university.de\/wp-content\/uploads\/2019\/06\/header-layer.jpg);background-position: center top;text-align:center;padding:80px 0 80px 0;color:#ffffff;\" >\n<div class=\"standard_wrapper\">\n<div class=\"page_content_wrapper\">\n<div class=\"inner\">\n<div style=\"margin:auto;width:100%\">\n<h2 class=\"ppb_title\" style=\";text-align:center;\">Tickets gibt es bald!<\/h2>\n<div class=\"page_tagline\" style=\"color:#ffffff;;text-align:center;\">Bestelle jetzt dein Ticket f\u00fcr die Data University<\/div>\n<div class=\"ppb_header_content\"><a class=\"button small center\" onclick=\"window.open('\/tickets', '_self')\">Tickets gibt es bald!<\/a>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"<p>All Topics Data Engineering Data Science Data Strategy Expand All + Tag 1 09. Oktober 2019 08:00&nbsp;&#8211;&nbsp;09:00 Powerfr\u00fchst\u00fcck Wir starten die Data University gemeinsam um 08:00 Uhr mit einem energiereichen Powerfr\u00fchst\u00fcck mit Brainfood und Kaffee. 12:00&nbsp;&#8211;&nbsp;13:00 Mittagspause 13:00&nbsp;&#8211;&nbsp;16:00 Interaktive Datenvisualisierung [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":1093,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":[],"_links":{"self":[{"href":"https:\/\/www.data-university.de\/wp-json\/wp\/v2\/pages\/230"}],"collection":[{"href":"https:\/\/www.data-university.de\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.data-university.de\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.data-university.de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.data-university.de\/wp-json\/wp\/v2\/comments?post=230"}],"version-history":[{"count":17,"href":"https:\/\/www.data-university.de\/wp-json\/wp\/v2\/pages\/230\/revisions"}],"predecessor-version":[{"id":2132,"href":"https:\/\/www.data-university.de\/wp-json\/wp\/v2\/pages\/230\/revisions\/2132"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.data-university.de\/wp-json\/wp\/v2\/media\/1093"}],"wp:attachment":[{"href":"https:\/\/www.data-university.de\/wp-json\/wp\/v2\/media?parent=230"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}